Analyse_2

# Liste des packages à installer
#packages <- c("officer", "flextable", "tidyverse", "summarytools", 
              #"gtsummary", "survey", "readxl", "dplyr", "ggplot2", "scales","cardx")

# Installer les packages
#install.packages(packages)

# Vérifier si les packages sont correctement installés et les charger
#lapply(packages, require, character.only = TRUE)



library(cardx)
library(officer)
library(flextable)
library(tidyverse)
library(summarytools)
library(gtsummary)
library(survey)
library(readxl)
library(survey)
library(dplyr)
library(ggplot2)
library(scales)

#chooseCRANmirror()
#11
#options(repos = c(CRAN = "https://cran.rstudio.com/"))
#install.packages("here")
library(here)
data_P3_ = read_csv(here("data", "data_P3.csv"))

1. Ponderation

# Créer l'objet de design en tenant compte des pondérations
data_design <- svydesign(id = ~id, weights = ~PON, data = data_P3_)

1. Tableau pour les Répondants

table_repondants <- tbl_svysummary(
  data = data_design,
  by = gpe_age, 
  include = c(age, sexe,Lieu_de_residence,lieu_de_naissance,Diplome_du_repondant, Occupation_du_repondant),
  
  statistic = list(
    all_continuous() ~ "{mean}",
    all_categorical() ~ "{p}   ({n})"
  ),
  digits=~ c(1,0),
  missing = "no"  # ne pas afficher les valeurs manquantes
) %>%
  add_overall() %>%  # ajouter la colonne « Ensemble »
  add_p() %>%        # ajouter les p-values pour tester la différence entre les groupes
  modify_header(label = "**Caractéristiques**") %>% 
  modify_caption("**Répondants**")


table_repondants

Répondants

Caractéristiques	Overall N = 7211	18-24 ans N = 2681	25-34 ans N = 4531	p-value2
age	26.4	21.1	29.6	<0.001
sexe				0.9
Femme	49.8 (359)	49.4 (132)	50.1 (227)
Homme	50.2 (362)	50.6 (136)	49.9 (226)
Lieu_de_residence				>0.9
Ailleurs au Quebec	54.8 (395)	55.0 (147)	54.6 (247)
Grand Motreal	45.2 (326)	45.0 (121)	45.4 (205)
lieu_de_naissance				0.11
Hors du Canada	6.7 (48)	7.2 (19)	6.3 (29)
Hors du Quebec	1.1 (8)	2.3 (6)	0.4 (2)
Provinde de Quebec	92.2 (662)	90.4 (241)	93.2 (421)
Diplome_du_repondant				<0.001
CEGEP / DEP	48.2 (347)	48.3 (128)	48.2 (218)
Primaire/Secondaire	20.6 (148)	32.8 (87)	13.4 (61)
Universitaire	31.2 (224)	18.9 (50)	38.3 (174)
Occupation_du_repondant				<0.001
À la maison TPL	3.7 (26)	2.5 (7)	4.4 (20)
Étudiant PTL S	8.5 (61)	17.9 (47)	3.0 (13)
Étudiant TPA S	0.5 (3)	0.7 (2)	0.3 (2)
Sans travail mais recherche	3.1 (22)	1.8 (5)	3.8 (17)
Sans travail sans recherche	1.0 (7)	0.0 (0)	1.6 (7)
Travail et études TPA	0.9 (6)	1.4 (4)	0.6 (3)
Travail PTL études TPA	6.3 (45)	5.7 (15)	6.7 (30)
Travail TPA études PTL	15.1 (108)	36.5 (97)	2.6 (12)
Travail TPA S	4.9 (35)	7.2 (19)	3.6 (16)
Travail TPL S	56.1 (402)	26.4 (70)	73.6 (332)
1 Mean; % (n)
2 Design-based KruskalWallis test; Pearson’s X^2: Rao & Scott adjustment

1. Tableau pour l’utilisation des médias sociaux des repondants

table_utilisation_medias_sociaux <- 
  data_design %>%
  tbl_svysummary(
    by = gpe_age,
    include = c(Usage_MS,Nbr_compte_MS,Nbr_compte_MS_regulier),
    statistic = list(
    all_continuous() ~ "{mean}",
    all_categorical() ~ "{p} ({n})"
  ),
  digits=~ c(1,0),
  missing = "no"  
) %>%
  add_overall() %>%  
  add_p() %>%        
  modify_header(label = "**Caractéristiques**") %>% 
  modify_caption("**Utilisation_médias_sociaux**")

table_utilisation_medias_sociaux

Utilisation_médias_sociaux

Caractéristiques	Overall N = 7211	18-24 ans N = 2681	25-34 ans N = 4531	p-value2
Usage_MS				<0.001
Non	8.4 (60)	14.4 (39)	4.8 (22)
Oui	91.6 (660)	85.6 (229)	95.2 (431)
Nbr_compte_MS				<0.001
1 ou 2 comptes	27.3 (197)	10.1 (27)	37.5 (170)
3 à 5 comptes	53.1 (383)	56.0 (150)	51.3 (232)
6 comptes et plus	10.4 (75)	17.9 (48)	6.0 (27)
Aucun	9.2 (66)	15.9 (43)	5.2 (23)
Nbr_compte_MS_regulier				<0.001
Aucun	9.5 (68)	15.2 (41)	6.1 (28)
Deux	30.1 (217)	20.9 (56)	35.6 (161)
Plus de quatre	7.0 (50)	13.0 (35)	3.4 (16)
Quatre	11.1 (80)	17.5 (47)	7.3 (33)
Trois	23.9 (172)	25.7 (69)	22.9 (103)
Un	18.4 (132)	7.6 (20)	24.7 (112)
1 % (n)
2 Pearson’s X^2: Rao & Scott adjustment

3 Activités faites sur les médias sociaux

Table_activités_médias_sociaux <- 
  data_design %>%
  tbl_svysummary(
    by = gpe_age,
    include = c(Suivre_activité_amis_et_famille, Communiquer_amis_et_famille, Partager_propre_matériel_avec_proches, Partager_propre_matériel_publiquement, Suivre_actualités_sur_RSM, Prendre_connaissance_programmes_gouv, Rechercher_information_generale, Rechercher_info_importante_personnelle, Aucune, Autre),
    
    statistic = list(
    all_continuous() ~ "{mean}",
    all_categorical() ~ "{p} ({n})"
  ),
  digits=~ c(1,0),
  missing = "no"  # ne pas afficher les valeurs manquantes
) %>%
  add_overall() %>%  
  add_p() %>%        
  modify_header(label = "**Caractéristiques**") %>% 
  modify_caption("**Activités médias sociaux**")

Table_activités_médias_sociaux

Activités médias sociaux

Caractéristiques	Overall N = 7211	18-24 ans N = 2681	25-34 ans N = 4531	p-value2
Suivre_activité_amis_et_famille				0.002
Non	25.2 (182)	32.7 (88)	20.8 (94)
Oui	74.8 (539)	67.3 (180)	79.2 (358)
Communiquer_amis_et_famille				0.5
Non	26.7 (193)	28.4 (76)	25.8 (117)
Oui	73.3 (528)	71.6 (192)	74.2 (336)
Partager_propre_matériel_avec_proches				0.4
Non	64.2 (463)	66.3 (178)	62.9 (285)
Oui	35.8 (258)	33.7 (90)	37.1 (168)
Partager_propre_matériel_publiquement				0.010
Non	76.2 (549)	70.4 (189)	79.6 (360)
Oui	23.8 (172)	29.6 (79)	20.4 (92)
Suivre_actualités_sur_RSM				0.024
Non	51.8 (373)	57.7 (155)	48.3 (219)
Oui	48.2 (347)	42.3 (113)	51.7 (234)
Prendre_connaissance_programmes_gouv				0.7
Non	86.0 (620)	85.4 (229)	86.4 (391)
Oui	14.0 (101)	14.6 (39)	13.6 (61)
Rechercher_information_generale				0.009
Non	64.9 (467)	58.3 (156)	68.8 (311)
Oui	35.1 (253)	41.7 (112)	31.2 (141)
Rechercher_info_importante_personnelle				0.2
Non	82.6 (596)	80.1 (215)	84.1 (381)
Oui	17.4 (125)	19.9 (53)	15.9 (72)
Aucune				0.5
Non	99.5 (717)	99.7 (267)	99.3 (450)
Oui	0.5 (4)	0.3 (1)	0.7 (3)
Autre				0.2
Non	99.8 (720)	99.5 (267)	100.0 (453)
Oui	0.2 (1)	0.5 (1)	0.0 (0)
1 % (n)
2 Pearson’s X^2: Rao & Scott adjustment

4. Quête d’informations

Table_Quête_informatins <- 
  data_design %>%
  tbl_svysummary(
    by =gpe_age,
    include = c(Votre_mere, Votre_pere, Votre_soeur, Votre_frere, Vos_amis, A_l_ecole, Vos_colleges_de_travail, Les_medias_traditionnels, Les_medias_numeriques_Q1),
    statistic = list(
    all_continuous() ~ "{mean}",
    all_categorical() ~ "{p} ({n})"
  ),
  digits=~ c(1,0),
  missing = "no"  
) %>%
  add_overall() %>%  
  modify_header(label = "**Caractéristiques**") %>% 
  modify_caption("**Quête_informations**")

Table_Quête_informatins

Quête_informations

Caractéristiques	Overall N = 7211	18-24 ans N = 2681	25-34 ans N = 4531
Votre_mere
Important	35.2 (254)	38.2 (102)	33.4 (151)
Pas important	10.7 (77)	10.5 (28)	10.8 (49)
Pas important du tout	5.6 (40)	3.2 (9)	7.0 (32)
Plus ou moins important	21.0 (152)	17.6 (47)	23.1 (104)
Très important	27.5 (198)	30.5 (82)	25.8 (117)
Votre_pere
Important	33.6 (242)	38.4 (103)	30.8 (139)
Pas important	7.1 (51)	4.3 (12)	8.7 (39)
Pas important du tout	9.3 (67)	8.0 (21)	10.0 (45)
Plus ou moins important	22.6 (163)	18.1 (49)	25.2 (114)
Très important	27.5 (198)	31.2 (84)	25.3 (115)
Votre_soeur
Important	24.0 (173)	23.2 (62)	24.4 (111)
Pas important	8.2 (59)	9.8 (26)	7.3 (33)
Pas important du tout	25.3 (182)	23.2 (62)	26.5 (120)
Plus ou moins important	25.8 (186)	22.7 (61)	27.7 (125)
Très important	16.7 (121)	21.0 (56)	14.2 (64)
Votre_frere
Important	23.2 (167)	21.5 (58)	24.2 (110)
Pas important	8.2 (59)	8.8 (23)	7.9 (36)
Pas important du tout	27.7 (200)	30.2 (81)	26.2 (119)
Plus ou moins important	27.1 (195)	23.8 (64)	29.0 (131)
Très important	13.8 (100)	15.8 (42)	12.7 (57)
Vos_amis
Important	47.1 (340)	46.7 (125)	47.4 (215)
Pas important	7.5 (54)	7.2 (19)	7.7 (35)
Pas important du tout	1.8 (13)	1.9 (5)	1.8 (8)
Plus ou moins important	30.9 (222)	30.6 (82)	31.0 (140)
Très important	12.7 (91)	13.6 (37)	12.1 (55)
A_l_ecole
Important	39.5 (284)	43.1 (115)	37.3 (169)
Pas important	9.4 (68)	9.5 (25)	9.4 (42)
Pas important du tout	10.3 (74)	7.1 (19)	12.2 (55)
Plus ou moins important	28.1 (203)	24.5 (66)	30.3 (137)
Très important	12.7 (92)	15.9 (43)	10.8 (49)
Vos_colleges_de_travail
Important	35.0 (253)	33.7 (90)	35.8 (162)
Pas important	15.8 (114)	16.5 (44)	15.4 (70)
Pas important du tout	6.7 (49)	5.9 (16)	7.2 (33)
Plus ou moins important	35.9 (259)	37.8 (101)	34.9 (158)
Très important	6.5 (47)	6.2 (17)	6.7 (30)
Les_medias_traditionnels
Important	29.8 (215)	27.7 (74)	31.1 (141)
Pas important	17.0 (122)	17.1 (46)	16.9 (76)
Pas important du tout	9.7 (70)	6.5 (18)	11.6 (52)
Plus ou moins important	35.6 (257)	41.3 (111)	32.3 (146)
Très important	7.8 (56)	7.4 (20)	8.1 (37)
Les_medias_numeriques_Q1
Important	18.9 (136)	19.8 (53)	18.4 (83)
Pas important	24.9 (180)	24.9 (67)	24.9 (113)
Pas important du tout	12.4 (89)	10.7 (29)	13.4 (61)
Plus ou moins important	40.4 (291)	41.9 (112)	39.5 (179)
Très important	3.4 (24)	2.8 (7)	3.8 (17)
1 % (n)

5. Tableau pour les Parents des repondants

Table_parents <- tbl_svysummary(
  data = data_design,
  by = gpe_age,  
  include = c( Diplome_mere, Diplome_pere,Siruation_civile_parents,Occupation_mere,Occupation_pere),
  statistic = list(
    all_continuous() ~ "{mean}",
    all_categorical() ~ "{p} ({n})"
  ),
  digits=~ c(1,0),
  missing = "no"
) %>%
  add_overall() %>%
  add_p() %>%
  modify_header(label = "**Caractéristiques**") %>%
  modify_caption("**Parents**")

Table_parents

Parents

Caractéristiques	Overall N = 7211	18-24 ans N = 2681	25-34 ans N = 4531	p-value2
Diplome_mere				<0.001
CEGEP / DEP	40.7 (281)	37.0 (91)	42.8 (190)
Primaire/Secondaire	24.9 (172)	17.2 (42)	29.2 (130)
Universitaire	34.3 (237)	45.8 (112)	28.1 (125)
Diplome_pere				0.10
CEGEP / DEP	37.8 (258)	38.9 (95)	37.3 (163)
Primaire/Secondaire	31.1 (212)	26.1 (64)	33.9 (148)
Universitaire	31.1 (211)	35.0 (85)	28.8 (126)
Siruation_civile_parents				0.088
Divorce	17.7 (126)	14.0 (37)	19.8 (89)
Les deux sont defunts	0.7 (5)	0.5 (1)	0.8 (4)
Separe	20.2 (145)	22.5 (59)	18.9 (85)
Toujours ensemble	52.8 (378)	56.8 (150)	50.4 (228)
Un des deux est defunt	8.6 (62)	6.1 (16)	10.1 (45)
Occupation_mere				<0.001
Agriculeurs exploitants	0.4 (3)	0.4 (1)	0.4 (2)
Artisants, commerçants, chef	5.0 (34)	6.2 (15)	4.3 (19)
Autre sans activité professionnelle	5.6 (39)	6.4 (16)	5.1 (23)
Cadres, intélets supérieurs	10.0 (69)	12.0 (29)	8.9 (40)
Employés	45.1 (311)	49.1 (120)	42.9 (190)
Ouvriers	2.4 (17)	1.1 (3)	3.2 (14)
Préfère ne pas répondre	2.7 (18)	4.8 (12)	1.5 (7)
Professions intermédiaires	11.6 (80)	12.4 (30)	11.2 (50)
Retraités	17.2 (118)	7.5 (18)	22.5 (100)
Occupation_pere				<0.001
Agriculeurs exploitants	1.9 (13)	1.4 (3)	2.1 (9)
Artisants, commerçants, chef	7.6 (51)	9.5 (23)	6.5 (29)
Cadres, intélets supérieurs	12.3 (83)	11.9 (29)	12.5 (55)
Employés	36.1 (245)	42.0 (101)	32.9 (144)
Ouvriers	7.9 (53)	8.2 (20)	7.7 (34)
Préfère ne pas répondre	2.6 (18)	4.1 (10)	1.7 (8)
Professions intermédiaires	9.8 (66)	11.3 (27)	8.9 (39)
Retraités	19.7 (134)	9.1 (22)	25.6 (112)
Sans activité profes	2.2 (15)	2.5 (6)	2.0 (9)
1 % (n)
2 Pearson’s X^2: Rao & Scott adjustment

7. Combinaison des tableaux dans un seul tableau

final_table <- tbl_stack(
  tbls = list(table_repondants,table_utilisation_medias_sociaux,Table_activités_médias_sociaux,Table_Quête_informatins,Table_parents),
  group_header = c("Répondants", "utilisation_medias_sociaux","activités_médias_sociaux","Quête_informatins","Parents")
)

# Affichage du tableau final
final_table

Répondants

Caractéristiques	Overall N = 7211	18-24 ans N = 2681	25-34 ans N = 4531	p-value2
Répondants
age	26.4	21.1	29.6	<0.001
sexe				0.9
Femme	49.8 (359)	49.4 (132)	50.1 (227)
Homme	50.2 (362)	50.6 (136)	49.9 (226)
Lieu_de_residence				>0.9
Ailleurs au Quebec	54.8 (395)	55.0 (147)	54.6 (247)
Grand Motreal	45.2 (326)	45.0 (121)	45.4 (205)
lieu_de_naissance				0.11
Hors du Canada	6.7 (48)	7.2 (19)	6.3 (29)
Hors du Quebec	1.1 (8)	2.3 (6)	0.4 (2)
Provinde de Quebec	92.2 (662)	90.4 (241)	93.2 (421)
Diplome_du_repondant				<0.001
CEGEP / DEP	48.2 (347)	48.3 (128)	48.2 (218)
Primaire/Secondaire	20.6 (148)	32.8 (87)	13.4 (61)
Universitaire	31.2 (224)	18.9 (50)	38.3 (174)
Occupation_du_repondant				<0.001
À la maison TPL	3.7 (26)	2.5 (7)	4.4 (20)
Étudiant PTL S	8.5 (61)	17.9 (47)	3.0 (13)
Étudiant TPA S	0.5 (3)	0.7 (2)	0.3 (2)
Sans travail mais recherche	3.1 (22)	1.8 (5)	3.8 (17)
Sans travail sans recherche	1.0 (7)	0.0 (0)	1.6 (7)
Travail et études TPA	0.9 (6)	1.4 (4)	0.6 (3)
Travail PTL études TPA	6.3 (45)	5.7 (15)	6.7 (30)
Travail TPA études PTL	15.1 (108)	36.5 (97)	2.6 (12)
Travail TPA S	4.9 (35)	7.2 (19)	3.6 (16)
Travail TPL S	56.1 (402)	26.4 (70)	73.6 (332)
utilisation_medias_sociaux
Usage_MS				<0.001
Non	8.4 (60)	14.4 (39)	4.8 (22)
Oui	91.6 (660)	85.6 (229)	95.2 (431)
Nbr_compte_MS				<0.001
1 ou 2 comptes	27.3 (197)	10.1 (27)	37.5 (170)
3 à 5 comptes	53.1 (383)	56.0 (150)	51.3 (232)
6 comptes et plus	10.4 (75)	17.9 (48)	6.0 (27)
Aucun	9.2 (66)	15.9 (43)	5.2 (23)
Nbr_compte_MS_regulier				<0.001
Aucun	9.5 (68)	15.2 (41)	6.1 (28)
Deux	30.1 (217)	20.9 (56)	35.6 (161)
Plus de quatre	7.0 (50)	13.0 (35)	3.4 (16)
Quatre	11.1 (80)	17.5 (47)	7.3 (33)
Trois	23.9 (172)	25.7 (69)	22.9 (103)
Un	18.4 (132)	7.6 (20)	24.7 (112)
activités_médias_sociaux
Suivre_activité_amis_et_famille				0.002
Non	25.2 (182)	32.7 (88)	20.8 (94)
Oui	74.8 (539)	67.3 (180)	79.2 (358)
Communiquer_amis_et_famille				0.5
Non	26.7 (193)	28.4 (76)	25.8 (117)
Oui	73.3 (528)	71.6 (192)	74.2 (336)
Partager_propre_matériel_avec_proches				0.4
Non	64.2 (463)	66.3 (178)	62.9 (285)
Oui	35.8 (258)	33.7 (90)	37.1 (168)
Partager_propre_matériel_publiquement				0.010
Non	76.2 (549)	70.4 (189)	79.6 (360)
Oui	23.8 (172)	29.6 (79)	20.4 (92)
Suivre_actualités_sur_RSM				0.024
Non	51.8 (373)	57.7 (155)	48.3 (219)
Oui	48.2 (347)	42.3 (113)	51.7 (234)
Prendre_connaissance_programmes_gouv				0.7
Non	86.0 (620)	85.4 (229)	86.4 (391)
Oui	14.0 (101)	14.6 (39)	13.6 (61)
Rechercher_information_generale				0.009
Non	64.9 (467)	58.3 (156)	68.8 (311)
Oui	35.1 (253)	41.7 (112)	31.2 (141)
Rechercher_info_importante_personnelle				0.2
Non	82.6 (596)	80.1 (215)	84.1 (381)
Oui	17.4 (125)	19.9 (53)	15.9 (72)
Aucune				0.5
Non	99.5 (717)	99.7 (267)	99.3 (450)
Oui	0.5 (4)	0.3 (1)	0.7 (3)
Autre				0.2
Non	99.8 (720)	99.5 (267)	100.0 (453)
Oui	0.2 (1)	0.5 (1)	0.0 (0)
Quête_informatins
Votre_mere
Important	35.2 (254)	38.2 (102)	33.4 (151)
Pas important	10.7 (77)	10.5 (28)	10.8 (49)
Pas important du tout	5.6 (40)	3.2 (9)	7.0 (32)
Plus ou moins important	21.0 (152)	17.6 (47)	23.1 (104)
Très important	27.5 (198)	30.5 (82)	25.8 (117)
Votre_pere
Important	33.6 (242)	38.4 (103)	30.8 (139)
Pas important	7.1 (51)	4.3 (12)	8.7 (39)
Pas important du tout	9.3 (67)	8.0 (21)	10.0 (45)
Plus ou moins important	22.6 (163)	18.1 (49)	25.2 (114)
Très important	27.5 (198)	31.2 (84)	25.3 (115)
Votre_soeur
Important	24.0 (173)	23.2 (62)	24.4 (111)
Pas important	8.2 (59)	9.8 (26)	7.3 (33)
Pas important du tout	25.3 (182)	23.2 (62)	26.5 (120)
Plus ou moins important	25.8 (186)	22.7 (61)	27.7 (125)
Très important	16.7 (121)	21.0 (56)	14.2 (64)
Votre_frere
Important	23.2 (167)	21.5 (58)	24.2 (110)
Pas important	8.2 (59)	8.8 (23)	7.9 (36)
Pas important du tout	27.7 (200)	30.2 (81)	26.2 (119)
Plus ou moins important	27.1 (195)	23.8 (64)	29.0 (131)
Très important	13.8 (100)	15.8 (42)	12.7 (57)
Vos_amis
Important	47.1 (340)	46.7 (125)	47.4 (215)
Pas important	7.5 (54)	7.2 (19)	7.7 (35)
Pas important du tout	1.8 (13)	1.9 (5)	1.8 (8)
Plus ou moins important	30.9 (222)	30.6 (82)	31.0 (140)
Très important	12.7 (91)	13.6 (37)	12.1 (55)
A_l_ecole
Important	39.5 (284)	43.1 (115)	37.3 (169)
Pas important	9.4 (68)	9.5 (25)	9.4 (42)
Pas important du tout	10.3 (74)	7.1 (19)	12.2 (55)
Plus ou moins important	28.1 (203)	24.5 (66)	30.3 (137)
Très important	12.7 (92)	15.9 (43)	10.8 (49)
Vos_colleges_de_travail
Important	35.0 (253)	33.7 (90)	35.8 (162)
Pas important	15.8 (114)	16.5 (44)	15.4 (70)
Pas important du tout	6.7 (49)	5.9 (16)	7.2 (33)
Plus ou moins important	35.9 (259)	37.8 (101)	34.9 (158)
Très important	6.5 (47)	6.2 (17)	6.7 (30)
Les_medias_traditionnels
Important	29.8 (215)	27.7 (74)	31.1 (141)
Pas important	17.0 (122)	17.1 (46)	16.9 (76)
Pas important du tout	9.7 (70)	6.5 (18)	11.6 (52)
Plus ou moins important	35.6 (257)	41.3 (111)	32.3 (146)
Très important	7.8 (56)	7.4 (20)	8.1 (37)
Les_medias_numeriques_Q1
Important	18.9 (136)	19.8 (53)	18.4 (83)
Pas important	24.9 (180)	24.9 (67)	24.9 (113)
Pas important du tout	12.4 (89)	10.7 (29)	13.4 (61)
Plus ou moins important	40.4 (291)	41.9 (112)	39.5 (179)
Très important	3.4 (24)	2.8 (7)	3.8 (17)
Parents
Diplome_mere				<0.001
CEGEP / DEP	40.7 (281)	37.0 (91)	42.8 (190)
Primaire/Secondaire	24.9 (172)	17.2 (42)	29.2 (130)
Universitaire	34.3 (237)	45.8 (112)	28.1 (125)
Diplome_pere				0.10
CEGEP / DEP	37.8 (258)	38.9 (95)	37.3 (163)
Primaire/Secondaire	31.1 (212)	26.1 (64)	33.9 (148)
Universitaire	31.1 (211)	35.0 (85)	28.8 (126)
Siruation_civile_parents				0.088
Divorce	17.7 (126)	14.0 (37)	19.8 (89)
Les deux sont defunts	0.7 (5)	0.5 (1)	0.8 (4)
Separe	20.2 (145)	22.5 (59)	18.9 (85)
Toujours ensemble	52.8 (378)	56.8 (150)	50.4 (228)
Un des deux est defunt	8.6 (62)	6.1 (16)	10.1 (45)
Occupation_mere				<0.001
Agriculeurs exploitants	0.4 (3)	0.4 (1)	0.4 (2)
Artisants, commerçants, chef	5.0 (34)	6.2 (15)	4.3 (19)
Autre sans activité professionnelle	5.6 (39)	6.4 (16)	5.1 (23)
Cadres, intélets supérieurs	10.0 (69)	12.0 (29)	8.9 (40)
Employés	45.1 (311)	49.1 (120)	42.9 (190)
Ouvriers	2.4 (17)	1.1 (3)	3.2 (14)
Préfère ne pas répondre	2.7 (18)	4.8 (12)	1.5 (7)
Professions intermédiaires	11.6 (80)	12.4 (30)	11.2 (50)
Retraités	17.2 (118)	7.5 (18)	22.5 (100)
Occupation_pere				<0.001
Agriculeurs exploitants	1.9 (13)	1.4 (3)	2.1 (9)
Artisants, commerçants, chef	7.6 (51)	9.5 (23)	6.5 (29)
Cadres, intélets supérieurs	12.3 (83)	11.9 (29)	12.5 (55)
Employés	36.1 (245)	42.0 (101)	32.9 (144)
Ouvriers	7.9 (53)	8.2 (20)	7.7 (34)
Préfère ne pas répondre	2.6 (18)	4.1 (10)	1.7 (8)
Professions intermédiaires	9.8 (66)	11.3 (27)	8.9 (39)
Retraités	19.7 (134)	9.1 (22)	25.6 (112)
Sans activité profes	2.2 (15)	2.5 (6)	2.0 (9)
1 Mean; % (n)
2 Design-based KruskalWallis test; Pearson’s X^2: Rao & Scott adjustment

8. Créer un document Word, ajouter un titre et le tableau, puis sauvegarder le fichier

# Convertir le tableau en flextable
final_table_flex <- as_flex_table(final_table) %>%
  theme_box() %>%
  border_inner(border = fp_border(color="black", width = 1)) %>%
  border_outer(border = fp_border(color="black", width = 2))


# Créer un document Word, ajouter un titre et le tableau, puis sauvegarder le fichier
doc <- read_docx() %>%
  body_add_par("Portrait sociodémographique des répondants et de leurs parents", style = "heading 1") %>%
  body_add_flextable(final_table_flex)

# Enregistrer le document Word dans le répertoire courant
print(doc, target = here("rapport", "Table_final_caracteristiques.docx"))

9. Marqueurs objectifs selon le sexe

1: Pas important du tout 2: Pas important 3: plus ou moins important 4: important 5: Très important

table_Marqueurs_objectifs_sexe <- 
  data_design %>%
  tbl_svysummary(
    by = sexe,
    include = c(Quiter_nid, Emploi_TPL, Vivre_en_couple, Marier_1er_fois, Parent_1er_fois, sexe),
  statistic = list(
    all_continuous() ~ "{mean}",
    all_categorical() ~ "{p} ({n})"
  ),
  digits=~ c(1,0),
  missing = "no"  
) %>%
  add_overall() %>%  
  add_p() %>%        
  modify_header(label = "**Caractéristiques**") %>% 
  modify_caption("**table_Marqueurs_objectifs_sexe**")

table_Marqueurs_objectifs_sexe

table_Marqueurs_objectifs_sexe

Caractéristiques	Overall N = 7211	Femme N = 3591	Homme N = 3621	p-value2
Quiter_nid				<0.001
Important	44.0 (317)	45.7 (164)	42.3 (153)
Pas du tout important	7.4 (53)	3.7 (13)	11.0 (40)
Peu important	10.8 (78)	7.8 (28)	13.8 (50)
Plus ou moins important	21.5 (155)	21.2 (76)	21.8 (79)
Très important	16.3 (117)	21.6 (77)	11.1 (40)
Emploi_TPL				0.064
Important	44.6 (321)	48.8 (175)	40.4 (146)
Pas du tout important	2.8 (20)	1.7 (6)	4.0 (15)
Peu important	7.8 (56)	6.2 (22)	9.4 (34)
Plus ou moins important	22.1 (159)	19.7 (71)	24.5 (89)
Très important	22.7 (164)	23.6 (85)	21.8 (79)
Vivre_en_couple				0.6
Important	19.8 (143)	21.4 (77)	18.3 (66)
Pas du tout important	19.7 (142)	18.3 (66)	21.2 (77)
Peu important	25.3 (182)	23.3 (84)	27.3 (99)
Plus ou moins important	28.6 (206)	30.4 (109)	26.8 (97)
Très important	6.5 (47)	6.7 (24)	6.4 (23)
Marier_1er_fois				0.5
Important	9.2 (66)	9.6 (34)	8.8 (32)
Pas du tout important	51.0 (368)	53.7 (193)	48.4 (175)
Peu important	19.8 (143)	16.8 (60)	22.9 (83)
Plus ou moins important	15.0 (108)	15.2 (55)	14.8 (53)
Très important	4.9 (36)	4.7 (17)	5.2 (19)
Parent_1er_fois				0.7
Important	16.5 (119)	16.7 (60)	16.3 (59)
Pas du tout important	33.0 (238)	32.8 (118)	33.1 (120)
Peu important	17.0 (122)	16.4 (59)	17.5 (63)
Plus ou moins important	18.6 (134)	17.2 (62)	20.0 (72)
Très important	14.9 (108)	16.9 (61)	13.0 (47)
1 % (n)
2 Pearson’s X^2: Rao & Scott adjustment

10. Marqueurs objectifs selon l’age

table_Marqueurs_objectifs_gpe_age <- 
  data_design %>%
  tbl_svysummary(
    by = gpe_age,
    include = c(Quiter_nid, Emploi_TPL, Vivre_en_couple, Marier_1er_fois, Parent_1er_fois, gpe_age),
  statistic = list(
    all_continuous() ~ "{mean}",
    all_categorical() ~ "{p} ({n})"
  ),
  digits=~ c(1,0),
  missing = "no"  
) %>%
  add_overall() %>%  
  add_p() %>%        
  modify_header(label = "**Caractéristiques**") %>% 
  modify_caption("**table_Marqueurs_objectifs_groupe**")

table_Marqueurs_objectifs_gpe_age

table_Marqueurs_objectifs_groupe

Caractéristiques	Overall N = 7211	18-24 ans N = 2681	25-34 ans N = 4531	p-value2
Quiter_nid				0.5
Important	44.0 (317)	43.4 (116)	44.4 (201)
Pas du tout important	7.4 (53)	7.8 (21)	7.1 (32)
Peu important	10.8 (78)	12.8 (34)	9.7 (44)
Plus ou moins important	21.5 (155)	22.7 (61)	20.8 (94)
Très important	16.3 (117)	13.4 (36)	18.0 (82)
Emploi_TPL				0.009
Important	44.6 (321)	50.7 (136)	40.9 (185)
Pas du tout important	2.8 (20)	3.0 (8)	2.8 (12)
Peu important	7.8 (56)	9.8 (26)	6.6 (30)
Plus ou moins important	22.1 (159)	21.2 (57)	22.6 (103)
Très important	22.7 (164)	15.3 (41)	27.0 (122)
Vivre_en_couple				0.2
Important	19.8 (143)	18.0 (48)	20.9 (95)
Pas du tout important	19.7 (142)	20.4 (55)	19.3 (88)
Peu important	25.3 (182)	29.3 (79)	22.9 (104)
Plus ou moins important	28.6 (206)	24.7 (66)	30.9 (140)
Très important	6.5 (47)	7.6 (20)	5.9 (27)
Marier_1er_fois				0.3
Important	9.2 (66)	11.4 (31)	7.9 (36)
Pas du tout important	51.0 (368)	45.8 (123)	54.1 (245)
Peu important	19.8 (143)	21.8 (58)	18.7 (85)
Plus ou moins important	15.0 (108)	16.2 (43)	14.3 (65)
Très important	4.9 (36)	4.8 (13)	5.0 (23)
Parent_1er_fois				0.3
Important	16.5 (119)	17.1 (46)	16.1 (73)
Pas du tout important	33.0 (238)	28.6 (77)	35.6 (161)
Peu important	17.0 (122)	18.2 (49)	16.2 (73)
Plus ou moins important	18.6 (134)	21.8 (58)	16.7 (76)
Très important	14.9 (108)	14.3 (38)	15.3 (69)
1 % (n)
2 Pearson’s X^2: Rao & Scott adjustment

#—————GRAPHIQUE1————————##########

11.Création du graphique pour l’ensemble de l’échantillon

# Regrouper les données et calculer les pourcentages
data_long <- data_design$variables %>%
  select(Quiter_nid, Emploi_TPL, Vivre_en_couple, Marier_1er_fois, Parent_1er_fois) %>%
  gather(key = "Marqueur_objectif", value = "Importance") %>%
  group_by(Marqueur_objectif, Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable "Importance"
levels_importance <- c("Pas du tout important", "Peu important", "Plus ou moins important", "Important", "Très important")
data_long$Importance <- factor(data_long$Importance, levels = levels_importance)

# Créer le graphique de barres empilées avec les pourcentages
a<-ggplot(data_long, aes(x = Marqueur_objectif, y = Percentage, fill = Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), position = position_stack(vjust = 0.5), size = 3) +
  labs(x = "Marqueur_objectif", y = "Pourcentage", fill = "") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
   legend.position = "bottom")+
  coord_flip() +
  scale_fill_brewer(palette = "RdBu")


# Sauvegarder le graphique dans le sous-dossier 'figures/marqueur_objectif' avec le nom spécifié
ggsave(here("figures", "marqueur_objectif", "marqueur_objectif_pour-echantillion_plot.png"), plot = a, width = 10, height = 6)

#RdBu
#RdYlGn

a

#"BrBG"  

12. Création du graphique selon le sexe

# Supposons que data_P2 soit votre dataframe initial

# Regrouper les données par sexe et calculer les pourcentages
data_sexe <- data_design$variables %>%
  select(sexe, Quiter_nid, Emploi_TPL, Vivre_en_couple, Marier_1er_fois, Parent_1er_fois) %>%
  gather(key = "Marqueur", value = "Importance", -sexe) %>%
  group_by(sexe, Marqueur, Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable "Importance"
levels_importance <- c("Pas du tout important", "Peu important", "Plus ou moins important", "Important", "Très important")
data_sexe$Importance <- factor(data_sexe$Importance, levels = levels_importance)

# Créer le graphique de barres empilées avec les pourcentages par sexe
b<-ggplot(data_sexe, aes(x = Marqueur, y = Percentage, fill = Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), position = position_stack(vjust = 0.5), size = 3) +
  facet_wrap(~sexe) +
  labs(x = "Marqueur_objectif", y = "Pourcentage", fill = "") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
   legend.position = "bottom") +
  coord_flip() +
  scale_fill_brewer(palette = "RdBu")


# Sauvegarder le graphique 
ggsave(here("figures", "marqueur_objectif", "marqueur_objectif_selon_sexe_plot.png"), plot = a, width = 10, height = 6)

b

13. Création du graphique selon l’âge

# Regrouper les données par sexe et calculer les pourcentages
data_gpe_age <- data_design$variables %>%
  select(gpe_age, Quiter_nid, Emploi_TPL, Vivre_en_couple, Marier_1er_fois, Parent_1er_fois) %>%
  gather(key = "Marqueur", value = "Importance", -gpe_age) %>%
  group_by(gpe_age, Marqueur, Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable "Importance"
levels_importance <- c("Pas du tout important", "Peu important", "Plus ou moins important", "Important", "Très important")
data_gpe_age$Importance <- factor(data_gpe_age$Importance, levels = levels_importance)

# Créer le graphique de barres empilées avec les pourcentages par sexe
c<-ggplot(data_gpe_age, aes(x = Marqueur, y = Percentage, fill = Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), position = position_stack(vjust = 0.5), size = 3) +
  facet_wrap(~gpe_age) +
  labs(x = "Marqueur_objectif", y = "Pourcentage", fill = "") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
   legend.position = "bottom") +
  coord_flip() +
  scale_fill_brewer(palette = "RdBu")



# Sauvegarder le graphique dans le sous-dossier 'figures/marqueur_objectif' avec le nom spécifié
ggsave(here("figures", "marqueur_objectif", "marqueur_objectif_selon_age_plot.png"), plot = c, width = 10, height = 6)

c

14. Création du graphique selon le milieu de résidence

# Regrouper les données par sexe et calculer les pourcentages
data_Lieu_de_residence <- data_design$variables %>%
  select(Lieu_de_residence, Quiter_nid, Emploi_TPL, Vivre_en_couple, Marier_1er_fois, Parent_1er_fois) %>%
  gather(key = "Marqueur", value = "Importance", -Lieu_de_residence) %>%
  group_by(Lieu_de_residence, Marqueur, Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable "Importance"
levels_importance <- c("Pas du tout important", "Peu important", "Plus ou moins important", "Important", "Très important")
data_Lieu_de_residence$Importance <- factor(data_Lieu_de_residence$Importance, levels = levels_importance)

# Créer le graphique de barres empilées avec les pourcentages par sexe
d<-ggplot(data_Lieu_de_residence, aes(x = Marqueur, y = Percentage, fill = Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), position = position_stack(vjust = 0.5), size = 3) +
  facet_wrap(~Lieu_de_residence) +
  labs(x = "Marqueur_objectif", y = "Pourcentage", fill = "") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
   legend.position = "bottom") +
  coord_flip() +
  scale_fill_brewer(palette = "RdBu")

# Sauvegarder le graphique dans le sous-dossier 'figures/marqueur_objectif' avec le nom spécifié

ggsave(here("figures", "marqueur_objectif", "marqueur_objectif_selon_milieu_residence_plot.png"), plot = d, width = 10, height = 6)

d

15. Création du graphique selon l’utilisation des médias sociaux

# Regrouper les données par sexe et calculer les pourcentages
data_Comptes_medias_sociaux <- data_design$variables %>%
  select(Usage_MS, Quiter_nid, Emploi_TPL, Vivre_en_couple, Marier_1er_fois, Parent_1er_fois) %>%
  gather(key = "Marqueur", value = "Importance", -Usage_MS) %>%
  group_by(Usage_MS, Marqueur, Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable "Importance"
levels_importance <- c("Pas du tout important", "Peu important", "Plus ou moins important", "Important", "Très important")
data_Comptes_medias_sociaux$Importance <- factor(data_Comptes_medias_sociaux$Importance, levels = levels_importance)

# Créer le graphique de barres empilées avec les pourcentages par sexe
e<-ggplot(data_Comptes_medias_sociaux, aes(x = Marqueur, y = Percentage, fill = Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), position = position_stack(vjust = 0.5), size = 3) +
  facet_wrap(~Usage_MS) +
  labs(x = "Marqueur_objectif", y = "Pourcentage", fill = "") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
   legend.position = "bottom") +
  coord_flip() +
  scale_fill_brewer(palette = "RdBu")

# Sauvegarder le graphique dans le sous-dossier 'figures/marqueur_objectif' avec le nom spécifié
ggsave(here("figures", "marqueur_objectif", "marqueur_objectif_Utilisation_médias_plot.png"), plot = e, width = 10, height = 6)

e

. —————GrAPHIQUE2——————

#———————————————##############

16. Graphique de barres empilées pour l’ensemble de l’échantillon

# Création du graphique à barres avec pourcentages affichés
f <- ggplot(data_design$variables, aes(x = Somme_Importance, fill = Somme_Importance)) +
  geom_bar() +
  geom_text(stat = "count",
            aes(label = scales::percent(..count../sum(..count..), accuracy = 0.1) %>% gsub("%", "", .)),  # Enlève le symbole %
            vjust = -0.5) +
  labs(
    title = "",
    x = "Pourcentage",
    y = "Nombre d'individus"
  ) +
  scale_fill_brewer(palette = "RdBu") +
  theme_minimal() +
  theme(legend.position = "none")

# Sauvegarder le graphique dans le sous-dossier 'Somme_marqueur_objectif' avec le nom spécifié
ggsave(here("figures","marqueur_objectif", "_somme_importance_echantillon_plot.png"), plot = f, width = 10, height = 6)

f

17. selon l’age

# Regrouper les données par groupe d'âge et par modalité de Somme_Importance,
# et calculer le nombre d'individus et le pourcentage dans chaque groupe
data_gpe_age <- data_design$variables %>%
  group_by(gpe_age, Somme_Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable Somme_Importance
levels_importance <- c("0 oui (rien n’est important)", 
                         "1 oui", 
                         "2 oui", 
                         "3 oui", 
                         "4 oui", 
                         "5 oui (tout est important)")
data_gpe_age$Somme_Importance <- factor(data_gpe_age$Somme_Importance, levels = levels_importance)

# Création du graphique à barres empilées par groupe d'âge
i<-ggplot(data_gpe_age, aes(x = gpe_age, y = Percentage, fill = Somme_Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), 
            position = position_stack(vjust = 0.5), size = 3) +
  labs(title = "Distribution de l'importance des dimensions par groupe d'âge",
       x = "Groupe d'âge", y = "Pourcentage", fill = "") +
  scale_y_continuous(labels = percent_format(scale = 1)) +
  scale_fill_brewer(palette = "PuBu") +
  theme_minimal() +
  theme(legend.position = "bottom")

# Sauvegarder le graphique dans le sous-dossier 'Somme_marqueur_objectif'
ggsave(here("figures","marqueur_objectif", "_somme_importance_selon_age_plot.png"), plot = i, width = 10, height = 6)

i

18. seloN le sexe

# Regrouper les données par groupe d'âge et par modalité de Somme_Importance,
# et calculer le nombre d'individus et le pourcentage dans chaque groupe
data_sexe <- data_design$variables %>%
  group_by(sexe, Somme_Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

## `summarise()` has grouped output by 'sexe'. You can override using the `.groups` argument.

# Définir l'ordre des niveaux pour la variable Somme_Importance
levels_importance <- c("0 oui (rien n’est important)", 
                         "1 oui", 
                         "2 oui", 
                         "3 oui", 
                         "4 oui", 
                         "5 oui (tout est important)")
data_sexe$Somme_Importance <- factor(data_sexe$Somme_Importance, levels = levels_importance)

# Création du graphique à barres empilées par groupe d'âge
j<-ggplot(data_sexe, aes(x = sexe, y = Percentage, fill = Somme_Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), 
            position = position_stack(vjust = 0.5), size = 3) +
  labs(title = "",
       x = "Sexe", y = "Pourcentage", fill = "") +
  scale_y_continuous(labels = percent_format(scale = 1)) +
  scale_fill_brewer(palette = "PuBu") +
  theme_minimal()+
  theme(legend.position = "bottom")

# Sauvegarder le graphique dans le sous-dossier 'Somme_marqueur_objectif'
ggsave(here("figures","marqueur_objectif", "_somme_importance_selon_sexe_plot.png"), plot = j, width = 10, height = 6)

j

19. selon le milieu de residence

# Regrouper les données par groupe d'âge et par modalité de Somme_Importance,
# et calculer le nombre d'individus et le pourcentage dans chaque groupe
data_Lieu_de_residence <- data_design$variables %>%
  group_by(Lieu_de_residence, Somme_Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable Somme_Importance
levels_importance <- c("0 oui (rien n’est important)", 
                         "1 oui", 
                         "2 oui", 
                         "3 oui", 
                         "4 oui", 
                         "5 oui (tout est important)")
data_Lieu_de_residence$Somme_Importance <- factor(data_Lieu_de_residence$Somme_Importance, levels = levels_importance)

# Création du graphique à barres empilées par groupe d'âge
k<-ggplot(data_Lieu_de_residence, aes(x = Lieu_de_residence, y = Percentage, fill = Somme_Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), 
            position = position_stack(vjust = 0.5), size = 3) +
  labs(title = "",
       x = "Lieu de residence", y = "Pourcentage", fill = "") +
  scale_y_continuous(labels = percent_format(scale = 1)) +
  scale_fill_brewer(palette = "PuBu") +
  theme_minimal() +
  theme(legend.position = "bottom")



# Sauvegarder le graphique dans le sous-dossier 'Somme_marqueur_objectif'
ggsave(here("figures","marqueur_objectif", "_somme_importance_selon_residence_plot.png"), plot = k, width = 10, height = 6)


k

20. Selon le utilisation des médias

# Regrouper les données par groupe d'âge et par modalité de Somme_Importance,
# et calculer le nombre d'individus et le pourcentage dans chaque groupe
data_Comptes_medias_sociaux <- data_design$variables %>%
  group_by(Usage_MS, Somme_Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable Somme_Importance
levels_importance <- c("0 oui (rien n’est important)", 
                         "1 oui", 
                         "2 oui", 
                         "3 oui", 
                         "4 oui", 
                         "5 oui (tout est important)")
data_Comptes_medias_sociaux$Somme_Importance <- factor(data_Comptes_medias_sociaux$Somme_Importance, levels = levels_importance)

# Création du graphique à barres empilées par groupe d'âge
l<-ggplot(data_Comptes_medias_sociaux, aes(x = Usage_MS, y = Percentage, fill = Somme_Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), 
            position = position_stack(vjust = 0.5), size = 3) +
  labs(title = "",
       x = "", y = "Pourcentage", fill = "") +
  scale_y_continuous(labels = percent_format(scale = 1)) +
  scale_fill_brewer(palette = "PuBu") +
  theme_minimal() +
  theme(legend.position = "bottom")

# Sauvegarder le graphique dans le sous-dossier 'Somme_marqueur_objectif'
ggsave(here("figures","marqueur_objectif", "_somme_importance_médias_sociaux_plot.png"), plot = l, width = 10, height = 6)

l

21. Dindo

#install.packages(c("dplyr", "dendextend", "ade4", "ggdendro", "fastcluster", "FactoMineR"))

# Chargement des bibliothèques nécessaires
library(dplyr)
library(dendextend)
library(ade4)
library(ggdendro)
library(fastcluster)
source(url("https://raw.githubusercontent.com/larmarange/JLutils/master/R/clustering.R"))
#devtools::install_github("husson/FactoMineR")

#library(devtools)
#install_github("larmarange/JLutils")
#library(JLutils)
library(FactoMineR)

data_interest <- data_design$variables %>%
  select(Somme_Importance,sexe,gpe_age,Lieu_de_residence) %>%
  na.omit()

data_interest$Somme_Importance<-as.factor(data_interest$Somme_Importance)
data_interest$sexe<-as.factor(data_interest$sexe)
data_interest$gpe_age<-as.factor(data_interest$gpe_age)
data_interest$Lieu_de_residence<-as.factor(data_interest$Lieu_de_residence)

acm <- dudi.acm(data_interest, scannf = FALSE, nf = 5)

md <- dist.dudi(acm)

arbre <- hclust(md, method = "ward.D2")

#meilleure partition entre 3 et 20 classes.
best.cutree(arbre)

## [1] 6

#Affichage

ggdendrogram(arbre, labels = FALSE)

# Coloration des branches en fonction des clusters
library(ggplot2)
ggplot(color_branches(arbre, k = 6), labels = FALSE)

#Decoupage pour une analyse fine

typo <- cutree(arbre, 6)
freq(typo)

## Frequencies  
## typo  
## Type: Integer  
## 
##               Freq   % Valid   % Valid Cum.   % Total   % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
##           1    155     21.44          21.44     21.44          21.44
##           2    147     20.33          41.77     20.33          41.77
##           3     54      7.47          49.24      7.47          49.24
##           4    142     19.64          68.88     19.64          68.88
##           5    197     27.25          96.13     27.25          96.13
##           6     28      3.87         100.00      3.87         100.00
##        <NA>      0                               0.00         100.00
##       Total    723    100.00         100.00    100.00         100.00

data_interest$typo<- cutree(arbre,6)

22. Caractériser la typologie

data_interest %>%
  tbl_summary(by = typo)

Characteristic	1 N = 1551	2 N = 1471	3 N = 541	4 N = 1421	5 N = 1971	6 N = 281
Somme_Importance
0 oui (rien n’est important)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	28 (100%)
1 oui	0 (0%)	0 (0%)	54 (100%)	0 (0%)	0 (0%)	0 (0%)
2 oui	0 (0%)	0 (0%)	0 (0%)	0 (0%)	197 (100%)	0 (0%)
3 oui	155 (100%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)
4 oui	0 (0%)	0 (0%)	0 (0%)	142 (100%)	0 (0%)	0 (0%)
5 oui (tout est important)	0 (0%)	147 (100%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)
sexe
Femme	83 (54%)	93 (63%)	27 (50%)	90 (63%)	115 (58%)	15 (54%)
Homme	72 (46%)	54 (37%)	27 (50%)	52 (37%)	82 (42%)	13 (46%)
gpe_age
18-24 ans	72 (46%)	73 (50%)	26 (48%)	61 (43%)	93 (47%)	15 (54%)
25-34 ans	83 (54%)	74 (50%)	28 (52%)	81 (57%)	104 (53%)	13 (46%)
Lieu_de_residence
Ailleurs au Quebec	62 (40%)	60 (41%)	25 (46%)	56 (39%)	79 (40%)	15 (54%)
Grand Motreal	93 (60%)	87 (59%)	29 (54%)	86 (61%)	118 (60%)	13 (46%)
1 n (%)

#classification avec les variables

#data_interest

23. CAH avec l’extension FactoMineR

data_interest <- data_design$variables %>%
  select(Somme_Importance,sexe,gpe_age,Lieu_de_residence) %>%
  na.omit()

data_interest$Somme_Importance<-as.factor(data_interest$Somme_Importance)
data_interest$sexe<-as.factor(data_interest$sexe)
data_interest$gpe_age<-as.factor(data_interest$gpe_age)
data_interest$Lieu_de_residence<-as.factor(data_interest$Lieu_de_residence)


acm2 <- MCA(data_interest[complete.cases(data_interest), ], ncp = 5, graph = FALSE)
cah <- HCPC(acm2, graph = FALSE)

#Affichage du cluster en 3 partitions

plot(cah, choice = "tree")

#affichage en 3D

plot(cah, choice = "3D.map")

#Affichage en en bar

plot(cah, choice = "bar")

#Affichage

plot(cah, choice = "map")

#cah$data.clust

#——##################—–Marqueurs subjectifs——####################——####### #——————————————————————————–

`

24. Marqueurs subjectifs selon le sexe

# Créer l'objet de design en tenant compte des pondérations


table_Marqueurs_subjectifs_sexe <- 
  data_design %>%
  tbl_svysummary(
    by = sexe,
    include = c(Propres_responsabilites, Propres_decisions, Independance_finance),
  statistic = list(
    all_continuous() ~ "{mean}",
    all_categorical() ~ "{p} ({n})"
  ),
  digits=~ c(1,0),
  missing = "no"  
) %>%
  add_overall() %>%  
  add_p() %>%        
  modify_header(label = "**Caractéristiques**") %>% 
  modify_caption("**table_Marqueurs_subjectifs_sexe**")

table_Marqueurs_subjectifs_sexe

table_Marqueurs_subjectifs_sexe

Caractéristiques	Overall N = 7211	Femme N = 3591	Homme N = 3621	p-value2
Propres_responsabilites				<0.001
Important	49.1 (354)	49.8 (179)	48.4 (175)
Pas important	3.9 (28)	2.0 (7)	5.7 (21)
Pas important du tout	1.9 (14)	0.3 (1)	3.4 (12)
Plus ou moins important	9.6 (69)	6.8 (24)	12.4 (45)
Très important	35.6 (256)	41.1 (147)	30.1 (109)
Propres_decisions				<0.001
Important	43.6 (314)	45.6 (164)	41.5 (150)
Pas important	3.1 (23)	1.8 (6)	4.5 (16)
Pas important du tout	1.7 (13)	0.0 (0)	3.5 (13)
Plus ou moins important	8.3 (59)	5.2 (19)	11.3 (41)
Très important	43.3 (312)	47.5 (170)	39.2 (142)
Independance_finance				<0.001
Important	44.3 (319)	47.8 (172)	40.8 (148)
Pas important	3.8 (28)	2.0 (7)	5.7 (21)
Pas important du tout	1.9 (14)	0.1 (0)	3.7 (13)
Plus ou moins important	10.3 (75)	7.9 (28)	12.8 (46)
Très important	39.6 (286)	42.2 (152)	37.0 (134)
1 % (n)
2 Pearson’s X^2: Rao & Scott adjustment

25. Marqueurs subjectifs selon l’age

table_Marqueurs_subjectifs_gpe_age <- 
  data_design %>%
  tbl_svysummary(
    by = gpe_age,
    include = c(Propres_responsabilites, Propres_decisions, Independance_finance),
  statistic = list(
    all_continuous() ~ "{mean}",
    all_categorical() ~ "{p} ({n})"
  ),
  digits=~ c(1,0),
  missing = "no"  
) %>%
  add_overall() %>%  
  add_p() %>%        
  modify_header(label = "**Caractéristiques**") %>% 
  modify_caption("**table_Marqueurs_subjectifs_gpe_age**")

table_Marqueurs_subjectifs_gpe_age

table_Marqueurs_subjectifs_gpe_age

Caractéristiques	Overall N = 7211	18-24 ans N = 2681	25-34 ans N = 4531	p-value2
Propres_responsabilites				0.4
Important	49.1 (354)	50.5 (135)	48.2 (218)
Pas important	3.9 (28)	5.3 (14)	3.1 (14)
Pas important du tout	1.9 (14)	0.9 (3)	2.4 (11)
Plus ou moins important	9.6 (69)	10.2 (27)	9.2 (42)
Très important	35.6 (256)	33.1 (89)	37.0 (168)
Propres_decisions				0.3
Important	43.6 (314)	42.5 (114)	44.2 (200)
Pas important	3.1 (23)	5.0 (13)	2.0 (9)
Pas important du tout	1.7 (13)	2.2 (6)	1.5 (7)
Plus ou moins important	8.3 (59)	9.3 (25)	7.7 (35)
Très important	43.3 (312)	41.1 (110)	44.6 (202)
Independance_finance				0.2
Important	44.3 (319)	42.6 (114)	45.3 (205)
Pas important	3.8 (28)	6.4 (17)	2.3 (11)
Pas important du tout	1.9 (14)	1.8 (5)	2.0 (9)
Plus ou moins important	10.3 (75)	11.7 (31)	9.6 (43)
Très important	39.6 (286)	37.5 (101)	40.9 (185)
1 % (n)
2 Pearson’s X^2: Rao & Scott adjustment

26. Marqueurs subjectifs selon le lieu de residence

table_Marqueurs_subjectifs_Lieu_de_residence <- 
  data_design %>%
  tbl_svysummary(
    by = Lieu_de_residence,
    include = c(Propres_responsabilites, Propres_decisions, Independance_finance),
  statistic = list(
    all_continuous() ~ "{mean}",
    all_categorical() ~ "{p} ({n})"
  ),
  digits=~ c(1,0),
  missing = "no"  
) %>%
  add_overall() %>%  
  add_p() %>%        
  modify_header(label = "**Caractéristiques**") %>% 
  modify_caption("**table_Marqueurs_subjectifs_Lieu_de_residence**")

table_Marqueurs_subjectifs_Lieu_de_residence

table_Marqueurs_subjectifs_Lieu_de_residence

Caractéristiques	Overall N = 7211	Ailleurs au Quebec N = 3951	Grand Motreal N = 3261	p-value2
Propres_responsabilites				0.6
Important	49.1 (354)	46.5 (183)	52.2 (170)
Pas important	3.9 (28)	4.6 (18)	3.1 (10)
Pas important du tout	1.9 (14)	2.2 (9)	1.4 (5)
Plus ou moins important	9.6 (69)	9.5 (38)	9.6 (31)
Très important	35.6 (256)	37.2 (147)	33.6 (110)
Propres_decisions				0.6
Important	43.6 (314)	41.0 (162)	46.7 (152)
Pas important	3.1 (23)	3.8 (15)	2.3 (7)
Pas important du tout	1.7 (13)	2.0 (8)	1.4 (5)
Plus ou moins important	8.3 (59)	8.2 (32)	8.3 (27)
Très important	43.3 (312)	45.0 (178)	41.3 (135)
Independance_finance				0.5
Important	44.3 (319)	41.3 (163)	47.9 (156)
Pas important	3.8 (28)	4.3 (17)	3.3 (11)
Pas important du tout	1.9 (14)	2.0 (8)	1.8 (6)
Plus ou moins important	10.3 (75)	10.0 (39)	10.8 (35)
Très important	39.6 (286)	42.4 (168)	36.2 (118)
1 % (n)
2 Pearson’s X^2: Rao & Scott adjustment

27. Marqueurs subjectifs selon l’utilisation des médias sociaux

table_Marqueurs_subjectifs_Comptes_medias_sociaux <- 
  data_design %>%
  tbl_svysummary(
    by = Usage_MS,
    include = c(Propres_responsabilites, Propres_decisions, Independance_finance),
  statistic = list(
    all_continuous() ~ "{mean}",
    all_categorical() ~ "{p} ({n})"
  ),
  digits=~ c(1,0),
  missing = "no"  
) %>%
  add_overall() %>%  
  add_p() %>%        
  modify_header(label = "**Caractéristiques**") %>% 
  modify_caption("**table_Marqueurs_subjectifs_Comptes_medias_sociaux**")

table_Marqueurs_subjectifs_Comptes_medias_sociaux

table_Marqueurs_subjectifs_Comptes_medias_sociaux

Caractéristiques	Overall N = 7211	Non N = 601	Oui N = 6601	p-value2
Propres_responsabilites				<0.001
Important	49.1 (354)	26.6 (16)	51.1 (338)
Pas important	3.9 (28)	20.1 (12)	2.4 (16)
Pas important du tout	1.9 (14)	11.4 (7)	1.0 (7)
Plus ou moins important	9.6 (69)	19.4 (12)	8.7 (57)
Très important	35.6 (256)	22.5 (14)	36.8 (243)
Propres_decisions				<0.001
Important	43.6 (314)	28.8 (17)	44.9 (297)
Pas important	3.1 (23)	20.1 (12)	1.6 (10)
Pas important du tout	1.7 (13)	8.4 (5)	1.1 (8)
Plus ou moins important	8.3 (59)	26.9 (16)	6.5 (43)
Très important	43.3 (312)	15.8 (10)	45.8 (303)
Independance_finance				<0.001
Important	44.3 (319)	38.0 (23)	44.9 (296)
Pas important	3.8 (28)	15.0 (9)	2.8 (19)
Pas important du tout	1.9 (14)	13.2 (8)	0.9 (6)
Plus ou moins important	10.3 (75)	18.2 (11)	9.6 (64)
Très important	39.6 (286)	15.5 (9)	41.8 (276)
1 % (n)
2 Pearson’s X^2: Rao & Scott adjustment

#####Graphique marqueurs#####“”

28. ———-Echantillonnant—————–

library(ggplot2)
library(dplyr)
library(tidyr)
library(scales)

# Regrouper les données et calculer les pourcentages
data_long <- data_design$variables %>%
  select(Propres_responsabilites, Propres_decisions, Independance_finance) %>%
  gather(key = "Marqueur", value = "Importance") %>%
  group_by(Marqueur, Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable "Importance"
levels_importance <- c("Pas important du tout", "Pas important", "Plus ou moins important", "Important", "Très important")
data_long$Importance <- factor(data_long$Importance, levels = levels_importance)

# Créer le graphique à barres empilées horizontal avec affichage des pourcentages
n<-ggplot(data_long, aes(x = Marqueur, y = Percentage, fill = Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), 
            position = position_stack(vjust = 0.5), size = 3) +
  labs(x = "Marqueur_subjectif", y = "Pourcentage", fill = "",
       title = "") +
  scale_y_continuous(labels = percent_format(scale = 1)) +
  scale_fill_brewer(palette = "RdBu") +
  theme_minimal() +
  theme(legend.position = "bottom")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  coord_flip()


ggsave(here("figures","marqueur_subjectif", "marqueurs_subjectif_echantillon_plot.png"), plot = n, width = 10, height = 6)


n

29. Création du graphique selon le sexe ,marqueurs subjectifs

# Regrouper les données par sexe et calculer les pourcentages
data_sexe <- data_design$variables %>%
  select(sexe,Propres_responsabilites, Propres_decisions, Independance_finance) %>%
  gather(key = "Marqueur", value = "Importance", -sexe) %>%
  group_by(sexe, Marqueur, Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable "Importance"
levels_importance <- c("Pas important du tout", "Pas important", "Plus ou moins important", "Important", "Très important")
data_sexe$Importance <- factor(data_sexe$Importance, levels = levels_importance)

# Créer le graphique de barres empilées avec les pourcentages par sexe
n1<-ggplot(data_sexe, aes(x = Marqueur, y = Percentage, fill = Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), position = position_stack(vjust = 0.5), size = 3) +
  facet_wrap(~sexe) +
  labs(x = "Marqueur_subjectif", y = "Pourcentage", fill = "") +
  theme_minimal() +
  theme(legend.position = "bottom")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  coord_flip() +
  scale_fill_brewer(palette = "RdBu")


ggsave(here("figures","marqueur_subjectif", "marqueurs_subjectif_selon_sexe_plot.png"), plot = n1, width = 10, height = 6)


n1

30. Création du graphique selon l’age ,marqueurs subjectifs

# Regrouper les données par sexe et calculer les pourcentages
data_gpe_age <- data_design$variables %>%
  select(gpe_age,Propres_responsabilites, Propres_decisions, Independance_finance) %>%
  gather(key = "Marqueur", value = "Importance", -gpe_age) %>%
  group_by(gpe_age, Marqueur, Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable "Importance"
levels_importance <- c("Pas important du tout", "Pas important", "Plus ou moins important", "Important", "Très important")
data_gpe_age$Importance <- factor(data_gpe_age$Importance, levels = levels_importance)

# Créer le graphique de barres empilées avec les pourcentages par sexe
n2<-ggplot(data_gpe_age, aes(x = Marqueur, y = Percentage, fill = Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), position = position_stack(vjust = 0.5), size = 3) +
  facet_wrap(~gpe_age) +
  labs(x = "Marqueur_subjectif", y = "Pourcentage", fill = "") +
  theme_minimal() + 
  theme(legend.position = "bottom")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  coord_flip() +
  scale_fill_brewer(palette = "RdBu")

ggsave(here("figures", "marqueur_subjectif", "marqueurs_subjectif_selon_age_plot.png"), plot = n2, width = 10, height = 6)


n2

31. Création du graphique selon le lieu de residence ,marqueurs subjectifs

# Regrouper les données selon le lieu de residence et calculer les pourcentages
data_Lieu_de_residence <- data_design$variables %>%
  select(Lieu_de_residence,Propres_responsabilites, Propres_decisions, Independance_finance) %>%
  gather(key = "Marqueur", value = "Importance", -Lieu_de_residence) %>%
  group_by(Lieu_de_residence, Marqueur, Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable "Importance"
levels_importance <- c("Pas important du tout", "Pas important", "Plus ou moins important", "Important", "Très important")
data_Lieu_de_residence$Importance <- factor(data_Lieu_de_residence$Importance, levels = levels_importance)

# Créer le graphique de barres empilées avec les pourcentages par sexe
n3<-ggplot(data_Lieu_de_residence, aes(x = Marqueur, y = Percentage, fill = Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), position = position_stack(vjust = 0.5), size = 3) +
  facet_wrap(~Lieu_de_residence) +
  labs(x = "Marqueur_subjectif", y = "Pourcentage", fill = "") +
  theme_minimal() +
  theme(legend.position = "bottom")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  coord_flip() +
  scale_fill_brewer(palette = "RdBu")


ggsave(here("figures", "marqueur_subjectif", "marqueurs_subjectif_selon_milieu_residence_plot.png"), plot = n3, width = 10, height = 6)


n3

32. Création du graphique selon l’utilisation des médias sociaux ,marqueurs subjectifs

# Regrouper les données  et calculer les pourcentages
data_Comptes_medias_sociaux <- data_design$variables %>%
  select(Usage_MS,Propres_responsabilites, Propres_decisions, Independance_finance) %>%
  gather(key = "Marqueur", value = "Importance", -Usage_MS) %>%
  group_by(Usage_MS, Marqueur, Importance) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable "Importance"
levels_importance <- c("Pas important du tout", "Pas important", "Plus ou moins important", "Important", "Très important")
data_Comptes_medias_sociaux$Importance <- factor(data_Comptes_medias_sociaux$Importance, levels = levels_importance)

# Créer le graphique de barres empilées avec les pourcentages par usage des méadias
n4<-ggplot(data_Comptes_medias_sociaux, aes(x = Marqueur, y = Percentage, fill = Importance)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), position = position_stack(vjust = 0.5), size = 3) +
  facet_wrap(~Usage_MS) +
  labs(x = "Marqueur_subjectif", y = "Pourcentage", fill = "") +
  theme_minimal() + 
  theme(legend.position = "bottom")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  coord_flip() +
  scale_fill_brewer(palette = "RdBu")

ggsave(here("figures", "marqueur_subjectif", "marqueurs_subjectif_utilisation_médias_plot.png"), plot = n4, width = 10, height = 6)


n4

33. Creation de la nouvelle variable

#————-Graphique pour l’echantillon———-########” #————————-““““““““““““—————————————-

# Création du graphique à barres avec pourcentages affichés
o<-ggplot(data_design, aes(x = Somme_Importance_subjectif, fill = Somme_Importance_subjectif)) +
  geom_bar() +
  geom_text(stat = "count",
            aes(label = scales::percent(..count../sum(..count..), accuracy = 0.1) %>% gsub("%", "", .)),
            vjust = -0.5) +
  labs(
    title = "Distribution de l'importance des dimensions",
    x = "Nombre de dimensions considérées comme importantes",
    y = "Nombre d'individus"
  ) +
  scale_fill_brewer(palette = "PuBu") +
  theme_minimal() +
  theme(legend.position = "none")


ggsave(here("figures", "marqueur_subjectif", "Somme_subjectif_echantillon_plot.png"), plot = o, width = 10, height = 6)

o

35.selon l’age

# Regrouper les données par groupe d'âge et par modalité de Somme_Importance,
# et calculer le nombre d'individus et le pourcentage dans chaque groupe
data_gpe_age <- data_design$variables %>%
  group_by(gpe_age, Somme_Importance_subjectif) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable Somme_Importance
levels_importance <- c("0 oui (rien n’est important)", 
                         "1 oui", 
                         "2 oui", 
                         "3 oui (tout est important)")
data_gpe_age$Somme_Importance_subjectif <- factor(data_gpe_age$Somme_Importance_subjectif, levels = levels_importance)

# Création du graphique à barres empilées par groupe d'âge
o1<-ggplot(data_gpe_age, aes(x = gpe_age, y = Percentage, fill = Somme_Importance_subjectif)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), 
            position = position_stack(vjust = 0.5), size = 3) +
  labs(title = "",
       x = "Groupe d'âge", y = "Pourcentage", fill = "") +
  scale_y_continuous(labels = percent_format(scale = 1)) +
  scale_fill_brewer(palette = "PuBu") +
  theme_minimal()+
  theme(legend.position = "bottom")


ggsave(here("figures", "marqueur_subjectif", "Somme_subjectif_selon_age_plot.png"), plot = o1, width = 10, height = 6)


o1

36. selon le sexe

 #Regrouper les données selon le sexe et par modalité de Somme_Importance,
# et calculer le nombre d'individus et le pourcentage dans chaque groupe
data_sexe <- data_design$variables %>%
  group_by(sexe, Somme_Importance_subjectif) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable Somme_Importance
levels_importance <- c("0 oui (rien n’est important)", 
                         "1 oui", 
                         "2 oui", 
                         "3 oui (tout est important)")
data_sexe$Somme_Importance_subjectif <- factor(data_sexe$Somme_Importance_subjectif, levels = levels_importance)

# Création du graphique à barres empilées par groupe d'âge
o2<-ggplot(data_sexe, aes(x = sexe, y = Percentage, fill = Somme_Importance_subjectif)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), 
            position = position_stack(vjust = 0.5), size = 3) +
  labs(title = "",
       x = "Sexe", y = "Pourcentage", fill = "") +
  scale_y_continuous(labels = percent_format(scale = 1)) +
  scale_fill_brewer(palette = "PuBu") +
  theme_minimal()+
  theme(legend.position = "bottom")


ggsave(here("figures", "marqueur_subjectif", "Somme_subjectif_selon_sexe_plot.png"), plot = o2, width = 10, height = 6)


o2

37. selon le milieu de residence

 #Regrouper les données  selon le milieu de residence et par modalité de Somme_Importance,
# et calculer le nombre d'individus et le pourcentage dans chaque groupe
data_Lieu_de_residence <- data_design$variables %>%
  group_by(Lieu_de_residence, Somme_Importance_subjectif) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Définir l'ordre des niveaux pour la variable Somme_Importance
levels_importance <- c("0 oui (rien n’est important)", 
                         "1 oui", 
                         "2 oui", 
                         "3 oui (tout est important)")
data_Lieu_de_residence$Somme_Importance_subjectif <- factor(data_Lieu_de_residence$Somme_Importance_subjectif, levels = levels_importance)

# Création du graphique à barres empilées par groupe d'âge
o3<-ggplot(data_Lieu_de_residence, aes(x = Lieu_de_residence, y = Percentage, fill = Somme_Importance_subjectif)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), 
            position = position_stack(vjust = 0.5), size = 3) +
  labs(title = "",
       x = "Lieu de residence", y = "Pourcentage", fill = "") +
  scale_y_continuous(labels = percent_format(scale = 1)) +
  scale_fill_brewer(palette = "PuBu") +
  theme_minimal()+
  theme(legend.position = "bottom")


ggsave(here("figures", "marqueur_subjectif", "Somme_subjectif_lieu_de_residence_plot.png"), plot = o3, width = 10, height = 6)


o3

38. selon l’utilisation des médias

 #Regrouper les données par groupe d'âge et par modalité de Somme_Importance,
# et calculer le nombre d'individus et le pourcentage dans chaque groupe
data_Comptes_medias_sociaux <- data_design$variables %>%
  group_by(Usage_MS, Somme_Importance_subjectif) %>%
  summarise(Count = n()) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

## `summarise()` has grouped output by 'Usage_MS'. You can override using the `.groups`
## argument.

# Définir l'ordre des niveaux pour la variable Somme_Importance
levels_importance <- c("0 oui (rien n’est important)", 
                         "1 oui", 
                         "2 oui", 
                         "3 oui (tout est important)")
data_Comptes_medias_sociaux$Somme_Importance_subjectif <- factor(data_Comptes_medias_sociaux$Somme_Importance_subjectif, levels = levels_importance)

# Création du graphique à barres empilées par groupe d'âge
o4<-ggplot(data_Comptes_medias_sociaux, aes(x = Usage_MS, y = Percentage, fill = Somme_Importance_subjectif)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), 
            position = position_stack(vjust = 0.5), size = 3) +
  labs(title = "Distribution de l'importance des dimensions selon l'utilisation des médias sociaux",
       x = "Usage_medias_sociaux", y = "Pourcentage", fill = "") +
  scale_y_continuous(labels = percent_format(scale = 1)) +
  scale_fill_brewer(palette = "PuBu") +
  theme_minimal()+
  theme(legend.position = "bottom")



ggsave(here("figures", "marqueur_subjectif", "Somme_subjectif_utilisation_medias_plot.png"), plot = o4, width = 10, height = 6)


o4

39. Dindogramme variable subjectifs

# Chargement des bibliothèques nécessaires
library(dplyr)
library(dendextend)
library(ade4)
library(ggdendro)
library(fastcluster)
#library(devtools)
#install_github("larmarange/JLutils")
#library(JLutils)
source(url("https://raw.githubusercontent.com/larmarange/JLutils/master/R/clustering.R"))


data_interest<-0


# Sélectionner les variables d'intérêt et supprimer les lignes avec des valeurs manquantes
data_interest <- data_design$variables %>%
  select(Somme_Importance_subjectif, sexe, gpe_age, Lieu_de_residence) %>%
  na.omit()

# Convertir les variables en facteurs
data_interest <- data_interest %>%
  mutate(across(everything(), as.factor))

# Supprimer les niveaux de facteurs sans occurrences
data_interest <- data_interest %>%
  mutate(across(everything(), ~ fct_drop(.)))

# Vérifier la distribution des catégories pour chaque variable
summary(data_interest)

##                 Somme_Importance_subjectif    sexe          gpe_age   
##  0 oui (rien n’est important):  6          Femme:423   18-24 ans:340  
##  1 oui                       : 21          Homme:300   25-34 ans:383  
##  2 oui                       : 37                                     
##  3 oui (tout est important)  :659                                     
##           Lieu_de_residence
##  Ailleurs au Quebec:297    
##  Grand Motreal     :426    
##                            
## 

# Effectuer l'ACM
acm <- dudi.acm(data_interest, scannf = FALSE, nf = 5)

# Calculer la matrice de distance
md <- dist.dudi(acm)

# Construire le dendrogramme en utilisant la méthode de Ward
arbre <- hclust(md, method = "ward.D2")

#meilleure partition entre 3 et 20 classes.

#meilleure partition entre 3 et 20 classes.
best.cutree(arbre)

## [1] 10

ggdendrogram(arbre, labels = FALSE)

# Coloration des branches en fonction des clusters
library(ggplot2)
ggplot(color_branches(arbre, k = 10), labels = FALSE)

typo <- cutree(arbre, 10)
freq(typo)

## Frequencies  
## typo  
## Type: Integer  
## 
##               Freq   % Valid   % Valid Cum.   % Total   % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
##           1    109     15.08          15.08     15.08          15.08
##           2     78     10.79          25.86     10.79          25.86
##           3    120     16.60          42.46     16.60          42.46
##           4    130     17.98          60.44     17.98          60.44
##           5      6      0.83          61.27      0.83          61.27
##           6     70      9.68          70.95      9.68          70.95
##           7     85     11.76          82.71     11.76          82.71
##           8     37      5.12          87.83      5.12          87.83
##           9     21      2.90          90.73      2.90          90.73
##          10     67      9.27         100.00      9.27         100.00
##        <NA>      0                               0.00         100.00
##       Total    723    100.00         100.00    100.00         100.00

data_interest$typo<- cutree(arbre,10)

data_interest %>%
  tbl_summary(by = typo)

Characteristic	1 N = 1091	2 N = 781	3 N = 1201	4 N = 1301	5 N = 61	6 N = 701	7 N = 851	8 N = 371	9 N = 211	10 N = 671
Somme_Importance_subjectif
0 oui (rien n’est important)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	6 (100%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)
1 oui	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	21 (100%)	0 (0%)
2 oui	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	37 (100%)	0 (0%)	0 (0%)
3 oui (tout est important)	109 (100%)	78 (100%)	120 (100%)	130 (100%)	0 (0%)	70 (100%)	85 (100%)	0 (0%)	0 (0%)	67 (100%)
sexe
Femme	0 (0%)	0 (0%)	120 (100%)	130 (100%)	0 (0%)	70 (100%)	85 (100%)	11 (30%)	7 (33%)	0 (0%)
Homme	109 (100%)	78 (100%)	0 (0%)	0 (0%)	6 (100%)	0 (0%)	0 (0%)	26 (70%)	14 (67%)	67 (100%)
gpe_age
18-24 ans	37 (34%)	0 (0%)	0 (0%)	130 (100%)	1 (17%)	70 (100%)	0 (0%)	20 (54%)	15 (71%)	67 (100%)
25-34 ans	72 (66%)	78 (100%)	120 (100%)	0 (0%)	5 (83%)	0 (0%)	85 (100%)	17 (46%)	6 (29%)	0 (0%)
Lieu_de_residence
Ailleurs au Quebec	109 (100%)	0 (0%)	0 (0%)	0 (0%)	4 (67%)	70 (100%)	85 (100%)	18 (49%)	11 (52%)	0 (0%)
Grand Motreal	0 (0%)	78 (100%)	120 (100%)	130 (100%)	2 (33%)	0 (0%)	0 (0%)	19 (51%)	10 (48%)	67 (100%)
1 n (%)

#data_interest

40. FactoMineR

library(FactoMineR)

data_interest<-0
data_interest <- data_design$variables %>%
  select(Somme_Importance_subjectif,sexe,gpe_age,Lieu_de_residence) %>%
  na.omit()

data_interest$Somme_Importance<-as.factor(data_interest$Somme_Importance_subjectif)
data_interest$sexe<-as.factor(data_interest$sexe)
data_interest$gpe_age<-as.factor(data_interest$gpe_age)
data_interest$Lieu_de_residence<-as.factor(data_interest$Lieu_de_residence)


acm2 <- MCA(data_interest[complete.cases(data_interest), ], ncp = 5, graph = FALSE)
cah <- HCPC(acm2, graph = FALSE)

#Affichage du cluster en 3 partitions

plot(cah, choice = "tree")

#affichage en 3D

plot(cah, choice = "3D.map")

#Affichage en en bar

plot(cah, choice = "bar")

#Affichage

plot(cah, choice = "map")

#cah$data.clust

#Les deux variables en meme temps

41. Graphique pour les deux marqueurs

# Préparation des données au format long
data_long <- data_design$variables %>%
  select(Marq_objectif, Marq_subjectif) %>%
  pivot_longer(cols = everything(), names_to = "Marqueur", values_to = "Importance") %>%
  group_by(Marqueur, Importance) %>%
  summarise(Count = n(), .groups = 'drop') %>%
  group_by(Marqueur) %>%
  mutate(Percentage = Count / sum(Count) * 100) %>%
  ungroup()

# Création du graphique à barres empilées
graphique <- ggplot(data_long, aes(x = Marqueur, y = Percentage, fill = as.factor(Importance))) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%.1f", Percentage)), 
            position = position_stack(vjust = 0.5), size = 3) +
  labs(x = "", y = "Pourcentage", fill = "",
       title = "Comparaison des marqueurs objectif et subjectif") +
  scale_y_continuous(labels = percent_format(scale = 1)) +
  scale_fill_brewer(palette = "PuBu") +
  theme_minimal() +
  theme(legend.position = "bottom",
        axis.text.x = element_text(angle = 45, hjust = 1))

# Sauvegarde du graphique
ggsave(here("figures", "marqueur_Objectif_subjectif", "Somme_subjectif_objecti_echantillon_plot.png"), 
       plot = graphique, width = 10, height = 6)


# Affichage du graphique
graphique

42.Dingogramme

library(dplyr)
library(dendextend)
library(ade4)
library(ggdendro)
library(fastcluster)
#library(devtools)
#install_github("larmarange/JLutils")
#library(JLutils)
source(url("https://raw.githubusercontent.com/larmarange/JLutils/master/R/clustering.R"))

data_interest<-0
data_interest <- data_design$variables %>%
  select(Somme_Importance,Somme_Importance_subjectif,gpe_age) %>%
  na.omit()

# Convertir les variables en facteurs
data_interest <- data_interest %>%
  mutate(across(everything(), as.factor))



# Supprimer les niveaux de facteurs sans occurrences
data_interest <- data_interest %>%
  mutate(across(everything(), ~ fct_drop(.)))

# Suppression des niveaux inutilisés de la variable Somme_Importance_subjectif
data_interest$Somme_Importance_subjectif <- fct_drop(data_interest$Somme_Importance_subjectif)

# Vérifier la distribution des catégories pour chaque variable
summary(data_interest)

##                      Somme_Importance                Somme_Importance_subjectif
##  0 oui (rien n’est important): 28     0 oui (rien n’est important):  6         
##  1 oui                       : 54     1 oui                       : 21         
##  2 oui                       :197     2 oui                       : 37         
##  3 oui                       :155     3 oui (tout est important)  :659         
##  4 oui                       :142                                              
##  5 oui (tout est important)  :147                                              
##       gpe_age   
##  18-24 ans:340  
##  25-34 ans:383  
##                 
##                 
##                 
## 

acm <- dudi.acm(data_interest, scannf = FALSE, nf = 5)

md <- dist.dudi(acm)

arbre <- hclust(md, method = "ward.D2")

#meilleure partition entre 3 et 20 classes.

#meilleure partition entre 3 et 20 classes.
best.cutree(arbre)

## [1] 9

ggdendrogram(arbre, labels = FALSE)

# Coloration des branches en fonction des clusters
library(ggplot2)
ggplot(color_branches(arbre, k = 9), labels = FALSE)

typo <- cutree(arbre, 9)
freq(typo)

## Frequencies  
## typo  
## Type: Integer  
## 
##               Freq   % Valid   % Valid Cum.   % Total   % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
##           1    141     19.50          19.50     19.50          19.50
##           2    138     19.09          38.59     19.09          38.59
##           3     48      6.64          45.23      6.64          45.23
##           4    134     18.53          63.76     18.53          63.76
##           5    180     24.90          88.66     24.90          88.66
##           6      6      0.83          89.49      0.83          89.49
##           7     23      3.18          92.67      3.18          92.67
##           8     21      2.90          95.57      2.90          95.57
##           9     32      4.43         100.00      4.43         100.00
##        <NA>      0                               0.00         100.00
##       Total    723    100.00         100.00    100.00         100.00

data_interest$typo<- cutree(arbre,9)

data_interest %>%
  tbl_summary(by = typo)

Characteristic	1 N = 1411	2 N = 1381	3 N = 481	4 N = 1341	5 N = 1801	6 N = 61	7 N = 231	8 N = 211	9 N = 321
Somme_Importance
0 oui (rien n’est important)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	2 (33%)	23 (100%)	3 (14%)	0 (0%)
1 oui	0 (0%)	0 (0%)	48 (100%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	3 (14%)	3 (9.4%)
2 oui	0 (0%)	0 (0%)	0 (0%)	0 (0%)	180 (100%)	2 (33%)	0 (0%)	7 (33%)	8 (25%)
3 oui	141 (100%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	4 (19%)	10 (31%)
4 oui	0 (0%)	0 (0%)	0 (0%)	134 (100%)	0 (0%)	2 (33%)	0 (0%)	1 (4.8%)	5 (16%)
5 oui (tout est important)	0 (0%)	138 (100%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	3 (14%)	6 (19%)
Somme_Importance_subjectif
0 oui (rien n’est important)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	6 (100%)	0 (0%)	0 (0%)	0 (0%)
1 oui	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	21 (100%)	0 (0%)
2 oui	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	0 (0%)	5 (22%)	0 (0%)	32 (100%)
3 oui (tout est important)	141 (100%)	138 (100%)	48 (100%)	134 (100%)	180 (100%)	0 (0%)	18 (78%)	0 (0%)	0 (0%)
gpe_age
18-24 ans	64 (45%)	66 (48%)	23 (48%)	59 (44%)	81 (45%)	1 (17%)	14 (61%)	15 (71%)	17 (53%)
25-34 ans	77 (55%)	72 (52%)	25 (52%)	75 (56%)	99 (55%)	5 (83%)	9 (39%)	6 (29%)	15 (47%)
1 n (%)

#data_interest

`

#I. Regression

1. Fonction pour exécuter la régression logistique

#install.packages(c("dplyr", "broom", "ggplot2", "purrr", "forestmodel"))

library(dplyr)
library(broom)
library(ggplot2)
library(purrr)
library(forestmodel)


# Fonction pour exécuter la régression logistique et extraire les résultats
run_logistic_regression <- function(dep_var, indep_vars, model_name, data) {
  formula <- as.formula(paste(dep_var, "~", paste(indep_vars, collapse = " + ")))
  model <- glm(formula, data = data, family = binomial)
  
  tidy(model, exponentiate = TRUE, conf.int = TRUE) %>%
    mutate(Model = model_name, Dependent = dep_var) %>%
    select(term, estimate, conf.low, conf.high, Model, Dependent)
}

3 .Forest avec forest_model

# Définition des variables dépendantes et indépendantes
dependent_vars <- c("Quiter_nid_rec", "Emploi_TPL_rec", "Vivre_en_couple_rec", 
                    "Marier_1er_fois_rec", "Parent_1er_fois_rec", 
                    "Propres_responsabilites_rec", "Propres_decisions_rec", 
                    "Independance_finance_rec")

# Liste des modèles logistiques par variable dépendante
models <- lapply(dependent_vars, function(dep_var) {
  list(
    "Modèle 1a" = glm(as.formula(paste(dep_var, "~ Nbr_compte_MS")), data = data_P3_, family = binomial),
    "Modèle 1b" = glm(as.formula(paste(dep_var, "~ Nbr_compte_MS_regulier")), data = data_P3_, family = binomial),
    "Modèle 1c" = glm(as.formula(paste(dep_var, "~ Nbr_compte_MS + Nbr_compte_MS_regulier")), data = data_P3_, family = binomial),
    "Modèle 2"  = glm(as.formula(paste(dep_var, "~ Nbr_compte_MS + Nbr_compte_MS_regulier + age + sexe + Lieu_de_residence")), data = data_P3_, family = binomial),
    "Modèle 3"  = glm(as.formula(paste(dep_var, "~ Nbr_compte_MS + Nbr_compte_MS_regulier + age + sexe + Lieu_de_residence + Diplome_du_repondant")), data = data_P3_, family = binomial)
  )
})

# Appliquer forest_model à chaque modèle en ajoutant un titre clair
lapply(seq_along(models), function(i) {
  dep_var <- dependent_vars[i]
  lapply(names(models[[i]]), function(model_name) {
    cat("\n--- Forest Plot pour", dep_var, "-", model_name, "---\n")  # Ajouter un titre clair
    print(forest_model(models[[i]][[model_name]]))  # Générer le plot
  })
})

## 
## --- Forest Plot pour Quiter_nid_rec - Modèle 1a ---

## 
## --- Forest Plot pour Quiter_nid_rec - Modèle 1b ---

## 
## --- Forest Plot pour Quiter_nid_rec - Modèle 1c ---

## 
## --- Forest Plot pour Quiter_nid_rec - Modèle 2 ---

## 
## --- Forest Plot pour Quiter_nid_rec - Modèle 3 ---

## 
## --- Forest Plot pour Emploi_TPL_rec - Modèle 1a ---

## 
## --- Forest Plot pour Emploi_TPL_rec - Modèle 1b ---

## 
## --- Forest Plot pour Emploi_TPL_rec - Modèle 1c ---

## 
## --- Forest Plot pour Emploi_TPL_rec - Modèle 2 ---

## 
## --- Forest Plot pour Emploi_TPL_rec - Modèle 3 ---

## 
## --- Forest Plot pour Vivre_en_couple_rec - Modèle 1a ---

## 
## --- Forest Plot pour Vivre_en_couple_rec - Modèle 1b ---

## 
## --- Forest Plot pour Vivre_en_couple_rec - Modèle 1c ---

## 
## --- Forest Plot pour Vivre_en_couple_rec - Modèle 2 ---

## 
## --- Forest Plot pour Vivre_en_couple_rec - Modèle 3 ---

## 
## --- Forest Plot pour Marier_1er_fois_rec - Modèle 1a ---

## 
## --- Forest Plot pour Marier_1er_fois_rec - Modèle 1b ---

## 
## --- Forest Plot pour Marier_1er_fois_rec - Modèle 1c ---

## 
## --- Forest Plot pour Marier_1er_fois_rec - Modèle 2 ---

## 
## --- Forest Plot pour Marier_1er_fois_rec - Modèle 3 ---

## 
## --- Forest Plot pour Parent_1er_fois_rec - Modèle 1a ---

## 
## --- Forest Plot pour Parent_1er_fois_rec - Modèle 1b ---

## 
## --- Forest Plot pour Parent_1er_fois_rec - Modèle 1c ---

## 
## --- Forest Plot pour Parent_1er_fois_rec - Modèle 2 ---

## 
## --- Forest Plot pour Parent_1er_fois_rec - Modèle 3 ---

## 
## --- Forest Plot pour Propres_responsabilites_rec - Modèle 1a ---

## 
## --- Forest Plot pour Propres_responsabilites_rec - Modèle 1b ---

## 
## --- Forest Plot pour Propres_responsabilites_rec - Modèle 1c ---

## 
## --- Forest Plot pour Propres_responsabilites_rec - Modèle 2 ---

## 
## --- Forest Plot pour Propres_responsabilites_rec - Modèle 3 ---

## 
## --- Forest Plot pour Propres_decisions_rec - Modèle 1a ---

## 
## --- Forest Plot pour Propres_decisions_rec - Modèle 1b ---

## 
## --- Forest Plot pour Propres_decisions_rec - Modèle 1c ---

## 
## --- Forest Plot pour Propres_decisions_rec - Modèle 2 ---

## 
## --- Forest Plot pour Propres_decisions_rec - Modèle 3 ---

## 
## --- Forest Plot pour Independance_finance_rec - Modèle 1a ---

## 
## --- Forest Plot pour Independance_finance_rec - Modèle 1b ---

## 
## --- Forest Plot pour Independance_finance_rec - Modèle 1c ---

## 
## --- Forest Plot pour Independance_finance_rec - Modèle 2 ---

## 
## --- Forest Plot pour Independance_finance_rec - Modèle 3 ---

## [[1]]
## [[1]][[1]]

## 
## [[1]][[2]]

## 
## [[1]][[3]]

## 
## [[1]][[4]]

## 
## [[1]][[5]]

## 
## 
## [[2]]
## [[2]][[1]]

## 
## [[2]][[2]]

## 
## [[2]][[3]]

## 
## [[2]][[4]]

## 
## [[2]][[5]]

## 
## 
## [[3]]
## [[3]][[1]]

## 
## [[3]][[2]]

## 
## [[3]][[3]]

## 
## [[3]][[4]]

## 
## [[3]][[5]]

## 
## 
## [[4]]
## [[4]][[1]]

## 
## [[4]][[2]]

## 
## [[4]][[3]]

## 
## [[4]][[4]]

## 
## [[4]][[5]]

## 
## 
## [[5]]
## [[5]][[1]]

## 
## [[5]][[2]]

## 
## [[5]][[3]]

## 
## [[5]][[4]]

## 
## [[5]][[5]]

## 
## 
## [[6]]
## [[6]][[1]]

## 
## [[6]][[2]]

## 
## [[6]][[3]]

## 
## [[6]][[4]]

## 
## [[6]][[5]]

## 
## 
## [[7]]
## [[7]][[1]]

## 
## [[7]][[2]]

## 
## [[7]][[3]]

## 
## [[7]][[4]]

## 
## [[7]][[5]]

## 
## 
## [[8]]
## [[8]][[1]]

## 
## [[8]][[2]]

## 
## [[8]][[3]]

## 
## [[8]][[4]]

## 
## [[8]][[5]]

4. Regroupement des regression

#install.packages(c("dplyr", "broom", "purrr", "stargazer"))

# Charger les bibliothèques nécessaires
library(dplyr)
library(broom)
library(purrr)
library(stargazer)

# Fonction pour exécuter une régression logistique et retourner le modèle
run_logistic_regression <- function(dep_var, indep_vars, data) {
  formula <- as.formula(paste(dep_var, "~", paste(indep_vars, collapse = " + ")))
  model <- glm(formula, data = data, family = binomial)
  return(model)  # Retourne le modèle au lieu des résultats sous forme de tableau
}

# Définition des variables dépendantes et indépendantes
dependent_vars <- c("Quiter_nid_rec", "Emploi_TPL_rec", "Vivre_en_couple_rec", 
                    "Marier_1er_fois_rec", "Parent_1er_fois_rec", 
                    "Propres_responsabilites_rec", "Propres_decisions_rec", 
                    "Independance_finance_rec")

indep_vars_list <- list(
  "Modèle 1a" = c("Usage_MS"),
  "Modèle 1b" = c("Nbr_compte_MS"),
  "Modèle 1c" = c("Nbr_compte_MS_regulier"),
  "Modèle 1d" = c("Usage_MS", "Nbr_compte_MS", "Nbr_compte_MS_regulier")
)

# Exécuter toutes les régressions et stocker les modèles
models <- list()

for (dep_var in dependent_vars) {
  for (model_name in names(indep_vars_list)) {
    model <- run_logistic_regression(dep_var, indep_vars_list[[model_name]], data_P3_)
    models[[paste(dep_var, model_name, sep = "_")]] <- model
  }
}

## Warning: glm.fit: des probabilités ont été ajustées numériquement à 0 ou 1

# Transformer la liste en un format utilisable par stargazer
models_flat <- unname(models)  # Supprime les noms pour éviter les erreurs


# Générer le tableau avec Stargazer et enregistrer dans le dossier 'rapport' avec 'here'
stargazer(models_flat, type = "html", title = "Résultats des régressions logistiques",
          style = "aer", digits = 2, out = here("rapport", "resultats_regression.html"))

## 
## <table style="text-align:center"><caption><strong>Résultats des régressions logistiques</strong></caption>
## <tr><td colspan="33" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left"></td><td colspan="4">Quiter_nid_rec</td><td colspan="4">Emploi_TPL_rec</td><td colspan="4">Vivre_en_couple_rec</td><td colspan="4">Marier_1er_fois_rec</td><td colspan="4">Parent_1er_fois_rec</td><td colspan="4">Propres_responsabilites_rec</td><td colspan="4">Propres_decisions_rec</td><td colspan="4">Independance_finance_rec</td></tr>
## <tr><td style="text-align:left"></td><td>(1)</td><td>(2)</td><td>(3)</td><td>(4)</td><td>(5)</td><td>(6)</td><td>(7)</td><td>(8)</td><td>(9)</td><td>(10)</td><td>(11)</td><td>(12)</td><td>(13)</td><td>(14)</td><td>(15)</td><td>(16)</td><td>(17)</td><td>(18)</td><td>(19)</td><td>(20)</td><td>(21)</td><td>(22)</td><td>(23)</td><td>(24)</td><td>(25)</td><td>(26)</td><td>(27)</td><td>(28)</td><td>(29)</td><td>(30)</td><td>(31)</td><td>(32)</td></tr>
## <tr><td colspan="33" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left">Usage_MSOui</td><td>1.25<sup>***</sup></td><td></td><td></td><td>1.02</td><td>1.38<sup>***</sup></td><td></td><td></td><td>0.05</td><td>-0.17</td><td></td><td></td><td>-2.15<sup>*</sup></td><td>-1.16<sup>***</sup></td><td></td><td></td><td>-1.50</td><td>-0.82<sup>***</sup></td><td></td><td></td><td>-0.95</td><td>2.58<sup>***</sup></td><td></td><td></td><td>14.03</td><td>2.74<sup>***</sup></td><td></td><td></td><td>13.69</td><td>2.14<sup>***</sup></td><td></td><td></td><td>30.26</td></tr>
## <tr><td style="text-align:left"></td><td>(0.30)</td><td></td><td></td><td>(1.46)</td><td>(0.32)</td><td></td><td></td><td>(1.45)</td><td>(0.28)</td><td></td><td></td><td>(1.21)</td><td>(0.28)</td><td></td><td></td><td>(1.33)</td><td>(0.30)</td><td></td><td></td><td>(1.09)</td><td>(0.38)</td><td></td><td></td><td>(855.46)</td><td>(0.41)</td><td></td><td></td><td>(830.95)</td><td>(0.38)</td><td></td><td></td><td>(2,135.27)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">Nbr_compte_MS3 à 5 comptes</td><td></td><td>0.20</td><td></td><td>-0.04</td><td></td><td>0.30</td><td></td><td>-0.09</td><td></td><td>-0.23</td><td></td><td>-0.54<sup>**</sup></td><td></td><td>0.12</td><td></td><td>0.24</td><td></td><td>-0.10</td><td></td><td>-0.17</td><td></td><td>-0.02</td><td></td><td>-0.10</td><td></td><td>-0.34</td><td></td><td>-0.33</td><td></td><td>0.38</td><td></td><td>-0.04</td></tr>
## <tr><td style="text-align:left"></td><td></td><td>(0.25)</td><td></td><td>(0.31)</td><td></td><td>(0.30)</td><td></td><td>(0.36)</td><td></td><td>(0.18)</td><td></td><td>(0.24)</td><td></td><td>(0.20)</td><td></td><td>(0.26)</td><td></td><td>(0.18)</td><td></td><td>(0.24)</td><td></td><td>(0.55)</td><td></td><td>(0.68)</td><td></td><td>(0.67)</td><td></td><td>(0.90)</td><td></td><td>(0.47)</td><td></td><td>(0.59)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">Nbr_compte_MS6 comptes et plus</td><td></td><td>-0.11</td><td></td><td>-0.61</td><td></td><td>0.33</td><td></td><td>-0.67</td><td></td><td>-0.82<sup>***</sup></td><td></td><td>-1.17<sup>***</sup></td><td></td><td>-0.53</td><td></td><td>-0.29</td><td></td><td>-0.42</td><td></td><td>-0.43</td><td></td><td>0.88</td><td></td><td>0.86</td><td></td><td>0.35</td><td></td><td>0.27</td><td></td><td>0.24</td><td></td><td>-0.27</td></tr>
## <tr><td style="text-align:left"></td><td></td><td>(0.35)</td><td></td><td>(0.46)</td><td></td><td>(0.46)</td><td></td><td>(0.57)</td><td></td><td>(0.27)</td><td></td><td>(0.35)</td><td></td><td>(0.33)</td><td></td><td>(0.41)</td><td></td><td>(0.26)</td><td></td><td>(0.35)</td><td></td><td>(1.10)</td><td></td><td>(1.28)</td><td></td><td>(1.16)</td><td></td><td>(1.39)</td><td></td><td>(0.69)</td><td></td><td>(0.92)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">Nbr_compte_MSAucun</td><td></td><td>-1.07<sup>***</sup></td><td></td><td>-0.32</td><td></td><td>-1.12<sup>***</sup></td><td></td><td>-1.05</td><td></td><td>-0.19</td><td></td><td>-1.16</td><td></td><td>1.03<sup>***</sup></td><td></td><td>-0.43</td><td></td><td>0.63<sup>**</sup></td><td></td><td>0.05</td><td></td><td>-2.51<sup>***</sup></td><td></td><td>-2.17<sup>*</sup></td><td></td><td>-2.95<sup>***</sup></td><td></td><td>-2.80<sup>**</sup></td><td></td><td>-1.75<sup>***</sup></td><td></td><td>14.08</td></tr>
## <tr><td style="text-align:left"></td><td></td><td>(0.33)</td><td></td><td>(1.15)</td><td></td><td>(0.37)</td><td></td><td>(1.20)</td><td></td><td>(0.30)</td><td></td><td>(0.91)</td><td></td><td>(0.30)</td><td></td><td>(1.13)</td><td></td><td>(0.31)</td><td></td><td>(0.85)</td><td></td><td>(0.54)</td><td></td><td>(1.30)</td><td></td><td>(0.65)</td><td></td><td>(1.38)</td><td></td><td>(0.48)</td><td></td><td>(1,559.36)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">Nbr_compte_MS_regulierDeux</td><td></td><td></td><td>0.84<sup>***</sup></td><td>-0.35</td><td></td><td></td><td>0.87<sup>**</sup></td><td>-0.08</td><td></td><td></td><td>0.05</td><td>1.23</td><td></td><td></td><td>-0.89<sup>***</sup></td><td>-0.05</td><td></td><td></td><td>-0.49</td><td>0.48</td><td></td><td></td><td>2.19<sup>***</sup></td><td>-13.78</td><td></td><td></td><td>2.97<sup>***</sup></td><td>-13.13</td><td></td><td></td><td>1.87<sup>***</sup></td><td>-14.13</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td>(0.32)</td><td>(1.11)</td><td></td><td></td><td>(0.35)</td><td>(1.15)</td><td></td><td></td><td>(0.29)</td><td>(0.87)</td><td></td><td></td><td>(0.29)</td><td>(0.86)</td><td></td><td></td><td>(0.30)</td><td>(0.79)</td><td></td><td></td><td>(0.49)</td><td>(855.46)</td><td></td><td></td><td>(0.66)</td><td>(830.95)</td><td></td><td></td><td>(0.48)</td><td>(1,458.68)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">Nbr_compte_MS_regulierPlus de quatre</td><td></td><td></td><td>1.41<sup>***</sup></td><td>0.57</td><td></td><td></td><td>2.52<sup>***</sup></td><td>1.98</td><td></td><td></td><td>-0.37</td><td>1.39</td><td></td><td></td><td>-1.40<sup>***</sup></td><td>-0.39</td><td></td><td></td><td>-0.88<sup>**</sup></td><td>0.29</td><td></td><td></td><td>2.35<sup>***</sup></td><td>-13.80</td><td></td><td></td><td>2.97<sup>***</sup></td><td>-13.02</td><td></td><td></td><td>2.16<sup>***</sup></td><td>-13.72</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td>(0.46)</td><td>(1.19)</td><td></td><td></td><td>(0.77)</td><td>(1.37)</td><td></td><td></td><td>(0.35)</td><td>(0.91)</td><td></td><td></td><td>(0.39)</td><td>(0.92)</td><td></td><td></td><td>(0.36)</td><td>(0.83)</td><td></td><td></td><td>(0.78)</td><td>(855.46)</td><td></td><td></td><td>(1.05)</td><td>(830.95)</td><td></td><td></td><td>(0.78)</td><td>(1,458.68)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">Nbr_compte_MS_regulierQuatre</td><td></td><td></td><td>1.00<sup>***</sup></td><td>-0.07</td><td></td><td></td><td>1.92<sup>***</sup></td><td>1.13</td><td></td><td></td><td>-0.20</td><td>1.32</td><td></td><td></td><td>-1.44<sup>***</sup></td><td>-0.63</td><td></td><td></td><td>-1.06<sup>***</sup></td><td>0.02</td><td></td><td></td><td>2.70<sup>***</sup></td><td>-13.30</td><td></td><td></td><td>2.19<sup>***</sup></td><td>-13.82</td><td></td><td></td><td>1.57<sup>***</sup></td><td>-14.39</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td>(0.38)</td><td>(1.15)</td><td></td><td></td><td>(0.54)</td><td>(1.24)</td><td></td><td></td><td>(0.32)</td><td>(0.89)</td><td></td><td></td><td>(0.36)</td><td>(0.90)</td><td></td><td></td><td>(0.34)</td><td>(0.81)</td><td></td><td></td><td>(0.77)</td><td>(855.46)</td><td></td><td></td><td>(0.66)</td><td>(830.95)</td><td></td><td></td><td>(0.55)</td><td>(1,458.68)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">Nbr_compte_MS_regulierTrois</td><td></td><td></td><td>1.52<sup>***</sup></td><td>0.43</td><td></td><td></td><td>1.43<sup>***</sup></td><td>0.60</td><td></td><td></td><td>0.15</td><td>1.64<sup>*</sup></td><td></td><td></td><td>-0.92<sup>***</sup></td><td>-0.13</td><td></td><td></td><td>-0.58<sup>*</sup></td><td>0.50</td><td></td><td></td><td>2.57<sup>***</sup></td><td>-13.46</td><td></td><td></td><td>2.48<sup>***</sup></td><td>-13.59</td><td></td><td></td><td>3.10<sup>***</sup></td><td>-12.86</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td>(0.36)</td><td>(1.14)</td><td></td><td></td><td>(0.40)</td><td>(1.18)</td><td></td><td></td><td>(0.30)</td><td>(0.88)</td><td></td><td></td><td>(0.30)</td><td>(0.88)</td><td></td><td></td><td>(0.31)</td><td>(0.80)</td><td></td><td></td><td>(0.59)</td><td>(855.46)</td><td></td><td></td><td>(0.59)</td><td>(830.95)</td><td></td><td></td><td>(0.78)</td><td>(1,458.68)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">Nbr_compte_MS_regulierUn</td><td></td><td></td><td>1.19<sup>***</sup></td><td>-0.02</td><td></td><td></td><td>1.24<sup>***</sup></td><td>0.26</td><td></td><td></td><td>-0.01</td><td>0.98</td><td></td><td></td><td>-1.06<sup>***</sup></td><td>-0.14</td><td></td><td></td><td>-0.80<sup>**</sup></td><td>0.11</td><td></td><td></td><td>2.45<sup>***</sup></td><td>-13.52</td><td></td><td></td><td>2.36<sup>***</sup></td><td>-13.81</td><td></td><td></td><td>1.54<sup>***</sup></td><td>-14.48</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td>(0.38)</td><td>(1.13)</td><td></td><td></td><td>(0.43)</td><td>(1.17)</td><td></td><td></td><td>(0.32)</td><td>(0.87)</td><td></td><td></td><td>(0.33)</td><td>(0.88)</td><td></td><td></td><td>(0.32)</td><td>(0.80)</td><td></td><td></td><td>(0.66)</td><td>(855.46)</td><td></td><td></td><td>(0.66)</td><td>(830.95)</td><td></td><td></td><td>(0.52)</td><td>(1,458.68)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">Constant</td><td>0.51<sup>*</sup></td><td>1.66<sup>***</sup></td><td>0.62<sup>**</sup></td><td>0.84</td><td>0.92<sup>***</sup></td><td>2.09<sup>***</sup></td><td>1.00<sup>***</sup></td><td>1.96</td><td>0.36</td><td>0.45<sup>***</sup></td><td>0.22</td><td>1.52</td><td>0.14</td><td>-1.03<sup>***</sup></td><td>0.03</td><td>0.57</td><td>0.75<sup>***</sup></td><td>0.04</td><td>0.62<sup>**</sup></td><td>0.70</td><td>1.01<sup>***</sup></td><td>3.57<sup>***</sup></td><td>1.16<sup>***</sup></td><td>3.17<sup>**</sup></td><td>1.10<sup>***</sup></td><td>4.09<sup>***</sup></td><td>1.25<sup>***</sup></td><td>3.90<sup>***</sup></td><td>1.20<sup>***</sup></td><td>3.08<sup>***</sup></td><td>1.35<sup>***</sup></td><td>-12.88</td></tr>
## <tr><td style="text-align:left"></td><td>(0.28)</td><td>(0.20)</td><td>(0.26)</td><td>(1.18)</td><td>(0.30)</td><td>(0.24)</td><td>(0.28)</td><td>(1.24)</td><td>(0.27)</td><td>(0.15)</td><td>(0.25)</td><td>(0.95)</td><td>(0.27)</td><td>(0.17)</td><td>(0.25)</td><td>(1.16)</td><td>(0.29)</td><td>(0.15)</td><td>(0.26)</td><td>(0.90)</td><td>(0.30)</td><td>(0.45)</td><td>(0.30)</td><td>(1.34)</td><td>(0.31)</td><td>(0.58)</td><td>(0.30)</td><td>(1.42)</td><td>(0.32)</td><td>(0.36)</td><td>(0.31)</td><td>(1,559.36)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">Observations</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td><td>723</td></tr>
## <tr><td style="text-align:left">Log Likelihood</td><td>-315.41</td><td>-315.39</td><td>-313.21</td><td>-311.17</td><td>-237.53</td><td>-237.03</td><td>-232.36</td><td>-231.00</td><td>-497.08</td><td>-492.34</td><td>-495.05</td><td>-487.95</td><td>-424.60</td><td>-423.55</td><td>-422.54</td><td>-419.93</td><td>-497.10</td><td>-496.17</td><td>-494.40</td><td>-492.76</td><td>-115.32</td><td>-113.94</td><td>-116.87</td><td>-113.14</td><td>-99.44</td><td>-97.93</td><td>-100.55</td><td>-96.88</td><td>-130.39</td><td>-131.35</td><td>-129.13</td><td>-127.15</td></tr>
## <tr><td style="text-align:left">Akaike Inf. Crit.</td><td>634.83</td><td>638.78</td><td>638.43</td><td>642.33</td><td>479.06</td><td>482.07</td><td>476.72</td><td>481.99</td><td>998.15</td><td>992.68</td><td>1,002.10</td><td>995.89</td><td>853.19</td><td>855.10</td><td>857.08</td><td>859.86</td><td>998.19</td><td>1,000.33</td><td>1,000.80</td><td>1,005.52</td><td>234.64</td><td>235.87</td><td>245.73</td><td>246.29</td><td>202.87</td><td>203.86</td><td>213.09</td><td>213.77</td><td>264.78</td><td>270.71</td><td>270.26</td><td>274.29</td></tr>
## <tr><td colspan="33" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left"><em>Notes:</em></td><td colspan="32" style="text-align:left"><sup>***</sup>Significant at the 1 percent level.</td></tr>
## <tr><td style="text-align:left"></td><td colspan="32" style="text-align:left"><sup>**</sup>Significant at the 5 percent level.</td></tr>
## <tr><td style="text-align:left"></td><td colspan="32" style="text-align:left"><sup>*</sup>Significant at the 10 percent level.</td></tr>
## </table>

II. Forest plot avec sjPlot

1. Variable Utilisation des médias

#install.packages("sjPlot")
library(sjPlot)
# Fonction pour générer un modèle logistique
generate_logistic_model <- function(dep_var, indep_var, data) {
  formula <- as.formula(paste(dep_var, "~", indep_var))
  model <- glm(formula, data = data, family = binomial)
  return(model)
}

# Liste des variables dépendantes
dependent_vars <- c("Quiter_nid_rec", "Emploi_TPL_rec", "Vivre_en_couple_rec", 
                    "Marier_1er_fois_rec", "Parent_1er_fois_rec", 
                    "Propres_responsabilites_rec", "Propres_decisions_rec", 
                    "Independance_finance_rec")

# Variable indépendante (Usage_MS uniquement)
indep_vars_1a <- "Usage_MS"

# Créer une liste vide pour stocker les modèles
model_list <- list()
m_labels <- c()  # Liste pour stocker les labels des modèles

# Appliquer les régressions pour chaque variable dépendante
for (dep_var in dependent_vars) {
  model_list[[paste0(dep_var, "_Usage_MS")]] <- generate_logistic_model(dep_var, indep_vars_1a, data_P3_)
  
  # Ajouter les labels incrémentés dans m_labels
  m_labels <- c(m_labels, paste0(dep_var, ""))  # Label pour Usage_MS uniquement
}

# Vérification des modèles et des labels
#print(names(model_list))  # Afficher les noms des modèles
#print(m_labels)  # Afficher les labels

# Appliquer plot_models avec les modèles et les labels
plot_models(
  model_list,
  axis.labels = c("Usage des Médias Sociaux"),  # Seule variable indépendante
  m.labels = m_labels,  # Utilisation des labels incrémentés
  show.values = FALSE,  # Ne pas afficher les valeurs numériques des coefficients
  show.p = FALSE,  # Ne pas afficher les p-valeurs
  p.shape = TRUE,  # Afficher les formes des points au lieu des valeurs
  grid = TRUE  # Afficher une grille
)

# Générer le graphique et enregistrer dans le dossier 'figures/forestplot'
ggsave(here("figures", "forestplot", "Utilisation des médias_forestplot.png"), 
       plot = last_plot(), width = 10, height = 6)

2. Variable : nombre de de compte des médias

# Fonction pour générer un modèle logistique
generate_logistic_model <- function(dep_var, indep_var, data) {
  formula <- as.formula(paste(dep_var, "~", indep_var))
  model <- glm(formula, data = data, family = binomial)
  return(model)
}

# Liste des variables dépendantes
dependent_vars <- c("Quiter_nid_rec", "Emploi_TPL_rec", "Vivre_en_couple_rec", 
                    "Marier_1er_fois_rec", "Parent_1er_fois_rec", 
                    "Propres_responsabilites_rec", "Propres_decisions_rec", 
                    "Independance_finance_rec")

# Variable indépendante : Nombre de Comptes MS
indep_vars_1b <- "Nbr_compte_MS"  # Ajout de "Nbr_compte_MS"

# Créer une liste vide pour stocker les modèles
model_list <- list()
m_labels <- c()  # Liste pour stocker les labels des modèles

# Appliquer les régressions pour chaque variable dépendante
for (dep_var in dependent_vars) {
  model_list[[paste0(dep_var, "_Nbr_compte_MS")]] <- generate_logistic_model(dep_var, indep_vars_1b, data_P3_)
  
  # Ajouter les labels incrémentés dans m_labels
  m_labels <- c(m_labels,
                paste0(dep_var, ""))  # Label pour Nbr_compte_MS
}

# Vérification des modèles et des labels
#print(names(model_list))  # Afficher les noms des modèles
#print(m_labels)  # Afficher les labels

# Appliquer plot_models avec les modèles et les labels
plot_models(
  model_list,
  m.labels = m_labels,  # Utilisation des labels incrémentés
  show.values = FALSE,  # Ne pas afficher les valeurs numériques des coefficients
  show.p = FALSE,  # Ne pas afficher les p-valeurs
  p.shape = TRUE,  # Afficher les formes des points au lieu des valeurs
  grid = TRUE  # Afficher une grille
)

# Générer le graphique et enregistrer dans le dossier 'figures/forestplot'
ggsave(here("figures", "forestplot", "nombre de de compte des médias_forestplot.png"), 
       plot = last_plot(), width = 10, height = 6)

3. Variable utilisation de compte regulier

# Fonction pour générer un modèle logistique
generate_logistic_model <- function(dep_var, indep_var, data) {
  formula <- as.formula(paste(dep_var, "~", indep_var))
  model <- glm(formula, data = data, family = binomial)
  return(model)
}

# Liste des variables dépendantes
dependent_vars <- c("Quiter_nid_rec", "Emploi_TPL_rec", "Vivre_en_couple_rec", 
                    "Marier_1er_fois_rec", "Parent_1er_fois_rec", 
                    "Propres_responsabilites_rec", "Propres_decisions_rec", 
                    "Independance_finance_rec")

# Variable indépendante : Nombre de Comptes MS Régulier
indep_vars_1c <- "Nbr_compte_MS_regulier"  # Remplacement par "Nbr_compte_MS_regulier"

# Créer une liste vide pour stocker les modèles
model_list <- list()
m_labels <- c()  # Liste pour stocker les labels des modèles

# Appliquer les régressions pour chaque variable dépendante
for (dep_var in dependent_vars) {
  model <- generate_logistic_model(dep_var, indep_vars_1c, data_P3_)
  model_list[[paste0(dep_var, "_Nbr_compte_MS_regulier")]] <- model
  
  # Ajouter les labels incrémentés dans m_labels
  m_labels <- c(m_labels,
                paste0(dep_var, ""))  # Label pour Nbr_compte_MS_regulier
  
  # Afficher les résultats de la régression pour chaque modèle
  cat("\nRésultats de la régression pour", dep_var, "avec Nbr_compte_MS_regulier:\n")
  print(summary(model))  # Afficher le résumé du modèle
}

## 
## Résultats de la régression pour Quiter_nid_rec avec Nbr_compte_MS_regulier:
## 
## Call:
## glm(formula = formula, family = binomial, data = data)
## 
## Coefficients:
##                                      Estimate Std. Error z value Pr(>|z|)    
## (Intercept)                            0.6225     0.2643   2.356  0.01850 *  
## Nbr_compte_MS_regulierDeux             0.8438     0.3184   2.650  0.00805 ** 
## Nbr_compte_MS_regulierPlus de quatre   1.4089     0.4596   3.065  0.00217 ** 
## Nbr_compte_MS_regulierQuatre           0.9993     0.3804   2.627  0.00861 ** 
## Nbr_compte_MS_regulierTrois            1.5241     0.3632   4.197 2.71e-05 ***
## Nbr_compte_MS_regulierUn               1.1898     0.3776   3.151  0.00162 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 646.66  on 722  degrees of freedom
## Residual deviance: 626.43  on 717  degrees of freedom
## AIC: 638.43
## 
## Number of Fisher Scoring iterations: 4
## 
## 
## Résultats de la régression pour Emploi_TPL_rec avec Nbr_compte_MS_regulier:
## 
## Call:
## glm(formula = formula, family = binomial, data = data)
## 
## Coefficients:
##                                      Estimate Std. Error z value Pr(>|z|)    
## (Intercept)                            0.9954     0.2838   3.507 0.000453 ***
## Nbr_compte_MS_regulierDeux             0.8653     0.3490   2.479 0.013171 *  
## Nbr_compte_MS_regulierPlus de quatre   2.5161     0.7717   3.261 0.001112 ** 
## Nbr_compte_MS_regulierQuatre           1.9169     0.5398   3.551 0.000384 ***
## Nbr_compte_MS_regulierTrois            1.4281     0.3979   3.589 0.000332 ***
## Nbr_compte_MS_regulierUn               1.2414     0.4257   2.916 0.003540 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 490.39  on 722  degrees of freedom
## Residual deviance: 464.72  on 717  degrees of freedom
## AIC: 476.72
## 
## Number of Fisher Scoring iterations: 6
## 
## 
## Résultats de la régression pour Vivre_en_couple_rec avec Nbr_compte_MS_regulier:
## 
## Call:
## glm(formula = formula, family = binomial, data = data)
## 
## Coefficients:
##                                      Estimate Std. Error z value Pr(>|z|)
## (Intercept)                           0.22314    0.25355   0.880    0.379
## Nbr_compte_MS_regulierDeux            0.04773    0.28961   0.165    0.869
## Nbr_compte_MS_regulierPlus de quatre -0.36833    0.35009  -1.052    0.293
## Nbr_compte_MS_regulierQuatre         -0.20252    0.32485  -0.623    0.533
## Nbr_compte_MS_regulierTrois           0.15333    0.29728   0.516    0.606
## Nbr_compte_MS_regulierUn             -0.01183    0.31586  -0.037    0.970
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 994.5  on 722  degrees of freedom
## Residual deviance: 990.1  on 717  degrees of freedom
## AIC: 1002.1
## 
## Number of Fisher Scoring iterations: 4
## 
## 
## Résultats de la régression pour Marier_1er_fois_rec avec Nbr_compte_MS_regulier:
## 
## Call:
## glm(formula = formula, family = binomial, data = data)
## 
## Coefficients:
##                                      Estimate Std. Error z value Pr(>|z|)    
## (Intercept)                           0.03175    0.25201   0.126 0.899745    
## Nbr_compte_MS_regulierDeux           -0.88822    0.29409  -3.020 0.002525 ** 
## Nbr_compte_MS_regulierPlus de quatre -1.40002    0.39130  -3.578 0.000346 ***
## Nbr_compte_MS_regulierQuatre         -1.44402    0.35911  -4.021 5.79e-05 ***
## Nbr_compte_MS_regulierTrois          -0.92375    0.30283  -3.050 0.002285 ** 
## Nbr_compte_MS_regulierUn             -1.06137    0.32977  -3.219 0.001288 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 865.88  on 722  degrees of freedom
## Residual deviance: 845.08  on 717  degrees of freedom
## AIC: 857.08
## 
## Number of Fisher Scoring iterations: 4
## 
## 
## Résultats de la régression pour Parent_1er_fois_rec avec Nbr_compte_MS_regulier:
## 
## Call:
## glm(formula = formula, family = binomial, data = data)
## 
## Coefficients:
##                                      Estimate Std. Error z value Pr(>|z|)   
## (Intercept)                            0.6225     0.2643   2.356  0.01850 * 
## Nbr_compte_MS_regulierDeux            -0.4877     0.2986  -1.633  0.10240   
## Nbr_compte_MS_regulierPlus de quatre  -0.8849     0.3589  -2.465  0.01368 * 
## Nbr_compte_MS_regulierQuatre          -1.0625     0.3363  -3.159  0.00158 **
## Nbr_compte_MS_regulierTrois           -0.5760     0.3051  -1.888  0.05907 . 
## Nbr_compte_MS_regulierUn              -0.7984     0.3244  -2.462  0.01383 * 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 1002.3  on 722  degrees of freedom
## Residual deviance:  988.8  on 717  degrees of freedom
## AIC: 1000.8
## 
## Number of Fisher Scoring iterations: 4
## 
## 
## Résultats de la régression pour Propres_responsabilites_rec avec Nbr_compte_MS_regulier:
## 
## Call:
## glm(formula = formula, family = binomial, data = data)
## 
## Coefficients:
##                                      Estimate Std. Error z value Pr(>|z|)    
## (Intercept)                            1.1632     0.2958   3.932 8.42e-05 ***
## Nbr_compte_MS_regulierDeux             2.1942     0.4851   4.523 6.09e-06 ***
## Nbr_compte_MS_regulierPlus de quatre   2.3484     0.7762   3.026 0.002481 ** 
## Nbr_compte_MS_regulierQuatre           2.6976     0.7733   3.488 0.000486 ***
## Nbr_compte_MS_regulierTrois            2.5745     0.5860   4.393 1.12e-05 ***
## Nbr_compte_MS_regulierUn               2.4478     0.6556   3.734 0.000189 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 268.21  on 722  degrees of freedom
## Residual deviance: 233.73  on 717  degrees of freedom
## AIC: 245.73
## 
## Number of Fisher Scoring iterations: 6
## 
## 
## Résultats de la régression pour Propres_decisions_rec avec Nbr_compte_MS_regulier:
## 
## Call:
## glm(formula = formula, family = binomial, data = data)
## 
## Coefficients:
##                                      Estimate Std. Error z value Pr(>|z|)    
## (Intercept)                            1.2528     0.3030   4.134 3.57e-05 ***
## Nbr_compte_MS_regulierDeux             2.9716     0.6558   4.531 5.86e-06 ***
## Nbr_compte_MS_regulierPlus de quatre   2.9667     1.0519   2.820 0.004798 ** 
## Nbr_compte_MS_regulierQuatre           2.1919     0.6602   3.320 0.000899 ***
## Nbr_compte_MS_regulierTrois            2.4849     0.5897   4.214 2.51e-05 ***
## Nbr_compte_MS_regulierUn               2.3582     0.6589   3.579 0.000345 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 236.97  on 722  degrees of freedom
## Residual deviance: 201.09  on 717  degrees of freedom
## AIC: 213.09
## 
## Number of Fisher Scoring iterations: 7
## 
## 
## Résultats de la régression pour Independance_finance_rec avec Nbr_compte_MS_regulier:
## 
## Call:
## glm(formula = formula, family = binomial, data = data)
## 
## Coefficients:
##                                      Estimate Std. Error z value Pr(>|z|)    
## (Intercept)                            1.3471     0.3113   4.327 1.51e-05 ***
## Nbr_compte_MS_regulierDeux             1.8718     0.4764   3.929 8.52e-05 ***
## Nbr_compte_MS_regulierPlus de quatre   2.1645     0.7822   2.767  0.00566 ** 
## Nbr_compte_MS_regulierQuatre           1.5653     0.5548   2.821  0.00478 ** 
## Nbr_compte_MS_regulierTrois            3.0956     0.7764   3.987 6.69e-05 ***
## Nbr_compte_MS_regulierUn               1.5433     0.5223   2.955  0.00313 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 286.17  on 722  degrees of freedom
## Residual deviance: 258.26  on 717  degrees of freedom
## AIC: 270.26
## 
## Number of Fisher Scoring iterations: 7

# Vérification des modèles et des labels
#print(names(model_list))  # Afficher les noms des modèles
#print(m_labels)  # Afficher les labels

# Appliquer plot_models avec les modèles et les labels
plot_models(
  model_list,
    # Ajout de Nbr_compte_MS_regulier
  m.labels = m_labels,  # Utilisation des labels incrémentés
  show.values = FALSE,  # Ne pas afficher les valeurs numériques des coefficients
  show.p = FALSE,  # Ne pas afficher les p-valeurs
  p.shape = TRUE,  # Afficher les formes des points au lieu des valeurs
  grid = TRUE  # Afficher une grille
)

# Générer le graphique et enregistrer dans le dossier 'figures/forestplot'
ggsave(here("figures", "forestplot", "nombre de de compte regulier_forestplot.png"), 
       plot = last_plot(), width = 10, height = 6)

05. variables concernant les médias

# Fonction pour générer un modèle logistique
generate_logistic_model <- function(dep_var, indep_var, data) {
  formula <- as.formula(paste(dep_var, "~", indep_var))
  model <- glm(formula, data = data, family = binomial)
  return(model)
}

# Liste des variables dépendantes
dependent_vars <- c("Quiter_nid_rec", "Emploi_TPL_rec", "Vivre_en_couple_rec", 
                    "Marier_1er_fois_rec", "Parent_1er_fois_rec", 
                    "Propres_responsabilites_rec", "Propres_decisions_rec", 
                    "Independance_finance_rec")

# Variables indépendantes
indep_vars_1a <- "Usage_MS"
indep_vars_1b <- "Nbr_compte_MS"
indep_vars_1c <- "Nbr_compte_MS_regulier"

# Créer une liste vide pour stocker les modèles
model_list <- list()
m_labels <- c()  # Liste pour stocker les labels des modèles

# Appliquer les régressions pour chaque variable dépendante
for (dep_var in dependent_vars) {
  model_list[[paste0(dep_var, "_Usage_MS")]] <- generate_logistic_model(dep_var, indep_vars_1a, data_P3_)
  model_list[[paste0(dep_var, "_Nbr_compte_MS")]] <- generate_logistic_model(dep_var, indep_vars_1b, data_P3_)
  model_list[[paste0(dep_var, "_Nbr_compte_MS_regulier")]] <- generate_logistic_model(dep_var, indep_vars_1c, data_P3_)
  
  # Ajouter les labels incrémentés dans m_labels
  m_labels <- c(m_labels,
                paste0(dep_var, "_1"),  # Label pour Usage_MS
                paste0(dep_var, "_2"),  # Label pour Nbr_compte_MS
                paste0(dep_var, "_3"))  # Label pour Nbr_compte_MS_regulier
}

# Vérification des modèles et des labels
print(names(model_list))  # Afficher les noms des modèles

##  [1] "Quiter_nid_rec_Usage_MS"                           
##  [2] "Quiter_nid_rec_Nbr_compte_MS"                      
##  [3] "Quiter_nid_rec_Nbr_compte_MS_regulier"             
##  [4] "Emploi_TPL_rec_Usage_MS"                           
##  [5] "Emploi_TPL_rec_Nbr_compte_MS"                      
##  [6] "Emploi_TPL_rec_Nbr_compte_MS_regulier"             
##  [7] "Vivre_en_couple_rec_Usage_MS"                      
##  [8] "Vivre_en_couple_rec_Nbr_compte_MS"                 
##  [9] "Vivre_en_couple_rec_Nbr_compte_MS_regulier"        
## [10] "Marier_1er_fois_rec_Usage_MS"                      
## [11] "Marier_1er_fois_rec_Nbr_compte_MS"                 
## [12] "Marier_1er_fois_rec_Nbr_compte_MS_regulier"        
## [13] "Parent_1er_fois_rec_Usage_MS"                      
## [14] "Parent_1er_fois_rec_Nbr_compte_MS"                 
## [15] "Parent_1er_fois_rec_Nbr_compte_MS_regulier"        
## [16] "Propres_responsabilites_rec_Usage_MS"              
## [17] "Propres_responsabilites_rec_Nbr_compte_MS"         
## [18] "Propres_responsabilites_rec_Nbr_compte_MS_regulier"
## [19] "Propres_decisions_rec_Usage_MS"                    
## [20] "Propres_decisions_rec_Nbr_compte_MS"               
## [21] "Propres_decisions_rec_Nbr_compte_MS_regulier"      
## [22] "Independance_finance_rec_Usage_MS"                 
## [23] "Independance_finance_rec_Nbr_compte_MS"            
## [24] "Independance_finance_rec_Nbr_compte_MS_regulier"

print(m_labels)  # Afficher les labels

##  [1] "Quiter_nid_rec_1"              "Quiter_nid_rec_2"             
##  [3] "Quiter_nid_rec_3"              "Emploi_TPL_rec_1"             
##  [5] "Emploi_TPL_rec_2"              "Emploi_TPL_rec_3"             
##  [7] "Vivre_en_couple_rec_1"         "Vivre_en_couple_rec_2"        
##  [9] "Vivre_en_couple_rec_3"         "Marier_1er_fois_rec_1"        
## [11] "Marier_1er_fois_rec_2"         "Marier_1er_fois_rec_3"        
## [13] "Parent_1er_fois_rec_1"         "Parent_1er_fois_rec_2"        
## [15] "Parent_1er_fois_rec_3"         "Propres_responsabilites_rec_1"
## [17] "Propres_responsabilites_rec_2" "Propres_responsabilites_rec_3"
## [19] "Propres_decisions_rec_1"       "Propres_decisions_rec_2"      
## [21] "Propres_decisions_rec_3"       "Independance_finance_rec_1"   
## [23] "Independance_finance_rec_2"    "Independance_finance_rec_3"

# Appliquer plot_models avec les modèles et les labels
plot_models(
  model_list,
    # Sans la combinaison
  m.labels = m_labels,  # Utilisation des labels incrémentés
  show.values = FALSE,  # Ne pas afficher les valeurs numériques des coefficients
  show.p = FALSE,  # Ne pas afficher les p-valeurs
  p.shape = TRUE,  # Afficher les formes des points au lieu des valeurs
  grid = TRUE  # Afficher une grille
)

## Warning in RColorBrewer::brewer.pal(n, pal): n too large, allowed maximum for palette Set1 is 9
## Returning the palette you asked for with that many colors

# Générer le graphique et enregistrer dans le dossier 'figures/forestplot'
ggsave(here("figures", "forestplot", "Toute _les variables_utilisation des médias_forestplot.png"), 
       plot = last_plot(), width = 10, height = 6)